論文の概要: Contrastive Meta-Learning for Few-shot Node Classification
- arxiv url: http://arxiv.org/abs/2306.15154v1
- Date: Tue, 27 Jun 2023 02:22:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-28 14:59:53.994052
- Title: Contrastive Meta-Learning for Few-shot Node Classification
- Title（参考訳）: Few-shot Node 分類のためのコントラストメタラーニング
- Authors: Song Wang, Zhen Tan, Huan Liu, Jundong Li
- Abstract要約: 少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。
グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
- 参考スコア（独自算出の注目度）: 54.36506013228169
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Few-shot node classification, which aims to predict labels for nodes on
graphs with only limited labeled nodes as references, is of great significance
in real-world graph mining tasks. Particularly, in this paper, we refer to the
task of classifying nodes in classes with a few labeled nodes as the few-shot
node classification problem. To tackle such a label shortage issue, existing
works generally leverage the meta-learning framework, which utilizes a number
of episodes to extract transferable knowledge from classes with abundant
labeled nodes and generalizes the knowledge to other classes with limited
labeled nodes. In essence, the primary aim of few-shot node classification is
to learn node embeddings that are generalizable across different classes. To
accomplish this, the GNN encoder must be able to distinguish node embeddings
between different classes, while also aligning embeddings for nodes in the same
class. Thus, in this work, we propose to consider both the intra-class and
inter-class generalizability of the model. We create a novel contrastive
meta-learning framework on graphs, named COSMIC, with two key designs. First,
we propose to enhance the intra-class generalizability by involving a
contrastive two-step optimization in each episode to explicitly align node
embeddings in the same classes. Second, we strengthen the inter-class
generalizability by generating hard node classes via a novel
similarity-sensitive mix-up strategy. Extensive experiments on few-shot node
classification datasets verify the superiority of our framework over
state-of-the-art baselines. Our code is provided at
https://github.com/SongW-SW/COSMIC.
- Abstract（参考訳）: 限定ラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としているFew-shotノード分類は、実際のグラフマイニングタスクにおいて非常に重要である。
特に本稿では,数個のラベル付きノードを持つクラス内のノードを分類するタスクを,最小ショットノード分類問題として言及する。
このようなラベル不足問題に対処するため、既存の研究は、多くのエピソードを利用して、豊富なラベル付きノードを持つクラスから伝達可能な知識を抽出し、限られたラベル付きノードを持つ他のクラスにその知識を一般化するメタラーニングフレームワークを活用している。
本質的に、少数ショットノード分類の主な目的は、異なるクラスで一般化可能なノード埋め込みを学ぶことである。
これを実現するために、GNNエンコーダは異なるクラス間のノード埋め込みを識別でき、同時に同じクラスのノードへの埋め込みを調整できなければならない。
そこで本研究では,モデルのクラス内およびクラス間一般化可能性について考察する。
グラフ上にCOSMICという新しい対照的なメタ学習フレームワークを2つの重要な設計で作成する。
まず,各エピソードに2段階の対照的な最適化を加えて,同一クラスにノードを埋め込むことで,クラス内の一般化性を高めることを提案する。
第2に,新しい類似性に敏感なミックスアップ戦略により,ハードノードクラスを生成することにより,クラス間汎用性を強化する。
数ショットのノード分類データセットに対する大規模な実験は、最先端のベースラインよりもフレームワークの優位性を検証する。
私たちのコードはhttps://github.com/SongW-SW/COSMICで提供されます。
関連論文リスト
- KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot
Node Classification [75.95647590619929]
Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。
ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。
ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
論文 参考訳（メタデータ） (2023-08-15T02:38:08Z) - Few-shot Node Classification with Extremely Weak Supervision [39.54361983108562]
少ないショットノード分類は、ラベル付きノードを参照として限定したノードを分類することを目的としている。
最近の数発のノード分類法は、多くのラベル付きノードを持つクラスから学習するのが一般的である。
通常、多くのクラスに対して豊富なラベル付きノードを得ることは困難である。
論文 参考訳（メタデータ） (2023-01-06T20:40:32Z) - Task-Adaptive Few-shot Node Classification [49.79924004684395]
数ショットの学習環境下でのタスク適応型ノード分類フレームワークを提案する。
具体的には,ラベル付きノードが豊富なクラスにメタ知識を蓄積する。
次に、提案したタスク適応モジュールを介して、ラベル付きノードが限定されたクラスにそのような知識を転送する。
論文 参考訳（メタデータ） (2022-06-23T20:48:27Z) - Label-Enhanced Graph Neural Network for Semi-supervised Node
Classification [32.64730237473914]
グラフニューラルネットワーク(GNN)のためのラベル強化学習フレームワークを提案する。
まず、各ラベルをクラス内のノードの仮想センターとしてモデル化し、次にノードとラベルの両方の表現を共同で学習する。
提案手法は,同一クラスに属するノードの表現を円滑に行うだけでなく,ラベルセマンティクスをGNNの学習プロセスに明示的にエンコードする。
論文 参考訳（メタデータ） (2022-05-31T09:48:47Z) - GraFN: Semi-Supervised Node Classification on Graph with Few Labels via
Non-Parametric Distribution Assignment [5.879936787990759]
本研究では,グラフの半教師付き手法であるGraFNを提案し,同一クラスに属するノードをグループ化する。
GraFNはグラフ全体からラベル付きノードとアンカーノードからランダムにノードをサンプリングする。
実世界のグラフ上のノード分類において,GraFNが半教師付き手法と自己教師型手法のどちらよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-04T08:22:30Z) - Joint Use of Node Attributes and Proximity for Semi-Supervised
Classification on Graphs [2.113059435430681]
本稿では,属性とノード近接性を協調的に重み付けする生成確率モデルに基づいて,JANEの原理的アプローチを提案する。
ネットワークデータセットの多種多様な実験により、JANEは、汎用性と競争性能の望ましい組み合わせを示すことを示した。
論文 参考訳（メタデータ） (2020-10-22T08:52:11Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳（メタデータ） (2020-06-23T04:13:23Z) - Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。
少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。
我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文 参考訳（メタデータ） (2020-06-18T00:55:10Z) - Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。
推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。
4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文 参考訳（メタデータ） (2020-01-17T02:52:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。