論文の概要: Cross-heterogeneity Graph Few-shot Learning

• arxiv url: http://arxiv.org/abs/2308.05275v1
• Date: Thu, 10 Aug 2023 01:25:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-11 13:55:58.890815
• Title: Cross-heterogeneity Graph Few-shot Learning
• Title（参考訳）: クロスヘテロゲニティグラフ 少数ショット学習
• Authors: Pengfei Ding and Yan Wang and Guanfeng Liu
• Abstract要約: 本稿では,異種間グラフFew-shot Learning,すなわちCGFLの新たなモデルを提案する。 CGFLでは,まず異種情報を取得するメタパターンを抽出する。 そこで我々は,ラベル付きサンプルの情報量を測定するスコアモジュールを提案し,各ソースHGの転送可能性を決定する。
• 参考スコア（独自算出の注目度）: 9.80898395055038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, heterogeneous graph few-shot learning has been proposed to address the label sparsity issue in heterogeneous graphs (HGs), which contain various types of nodes and edges. The existing methods have achieved good performance by transferring generalized knowledge extracted from rich-labeled classes in source HG(s) to few-labeled classes in a target HG. However, these methods only consider the single-heterogeneity scenario where the source and target HGs share a fixed set of node/edge types, ignoring the more general scenario of cross-heterogeneity, where each HG can have a different and non-fixed set of node/edge types. To this end, we focus on the unexplored cross-heterogeneity scenario and propose a novel model for Cross-heterogeneity Graph Few-shot Learning, namely CGFL. In CGFL, we first extract meta-patterns to capture heterogeneous information and propose a multi-view heterogeneous graph neural network (MHGN) to learn meta-patterns across HGs. Then, we propose a score module to measure the informativeness of labeled samples and determine the transferability of each source HG. Finally, by integrating MHGN and the score module into a meta-learning mechanism, CGFL can effectively transfer generalized knowledge to predict new classes with few-labeled data. Extensive experiments on four real-world datasets have demonstrated the superior performance of CGFL over the state-of-the-art methods.
• Abstract（参考訳）: 近年,多様なノードやエッジを含むヘテロジニアスグラフ (HG) のラベル空間性問題に対処するために,異種グラフによる数ショット学習が提案されている。 既存の手法は,HG のリッチラベルクラスから抽出した一般化知識を,ターゲット HG の少数ラベルクラスに転送することで,優れた性能を実現している。 しかし、これらの手法は、ソースとターゲットのhgが固定されたノード/エッジタイプを共有しているシングルヘテロゲニティシナリオのみを考慮し、各hgが異なる固定されたノード/エッジタイプを持つことができるクロスヘテロゲニティのより一般的なシナリオを無視している。 この目的のために,未検討のクロスヘテロゲニティシナリオに着目し,クロスヘテロゲニティグラフの少数ショット学習のための新しいモデル,cgflを提案する。 CGFLでは,まず異種情報を取得するメタパターンを抽出し,HG間のメタパターンを学習するための多視点異種グラフニューラルネットワーク(MHGN)を提案する。 そこで我々は,ラベル付きサンプルの情報量を測定するスコアモジュールを提案し,各ソースHGの転送可能性を決定する。 最後に、MHGNとスコアモジュールをメタ学習機構に統合することにより、CGFLは一般化知識を効果的に伝達し、ラベルの少ないデータで新しいクラスを予測する。 4つの実世界のデータセットに対する大規模な実験は、最先端の手法よりもCGFLの方が優れた性能を示した。

関連論文リスト

• LAMP: Learnable Meta-Path Guided Adversarial Contrastive Learning for Heterogeneous Graphs [22.322402072526927]
  Heterogeneous Graph Contrastive Learning (HGCL)は通常、事前に定義されたメタパスを必要とする。 textsfLAMPは様々なメタパスのサブグラフを統一的で安定した構造に統合する。 textsfLAMPは、精度と堅牢性の観点から、既存の最先端の教師なしモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-09-10T08:27:39Z)
• Few-Shot Causal Representation Learning for Out-of-Distribution Generalization on Heterogeneous Graphs [16.130356170284127]
  ヘテロジニアスグラフ(HGs)におけるラベル空間性問題に対処するヘテロジニアスグラフスショットラーニング(HGFL)が開発されている。 本稿では,新しい因果OOD不均質グラフFew-shot学習モデル,すなわちCOHFを提案する。
  論文  参考訳（メタデータ） (2024-01-07T22:47:38Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• Heterogeneous Graph Contrastive Multi-view Learning [11.489983916543805]
  グラフデータセット上での識別ノード表現を学習するために,グラフコントラスト学習(GCL)が開発された。 本稿では,HGCML(Heterogeneous Graph Contrastive Multi-view Learning)モデルを提案する。 HGCMLは、5つの実世界のベンチマークデータセットにおける最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2022-10-01T10:53:48Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Weakly-supervised Graph Meta-learning for Few-shot Node Classification [53.36828125138149]
  新しいグラフメタ学習フレームワーク - Graph Hallucination Networks (Meta-GHN) を提案する。 新たなロバストネス強化エピソードトレーニングに基づいて、Meta-GHNは、弱いラベル付きデータからクリーンノード表現を幻覚させるメタ学習を行う。 大規模な実験は、既存のグラフメタ学習研究よりもMeta-GHNの方が優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-12T22:22:10Z)
• A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources [79.48829365560788]
  異種情報ネットワーク (heterogenous information network) としても知られるヘテロジニアスグラフ (HGs) は、現実のシナリオにおいてユビキタス化されている。 HG埋め込みは、下流タスクのための不均一な構造と意味を保ちながら、低次元空間での表現を学習することを目的としている。
  論文  参考訳（メタデータ） (2020-11-30T15:03:47Z)
• Heterogeneous Graph Transformer [49.675064816860505]
  Webスケールの不均一グラフモデリングのための不均一グラフ変換器(HGT)アーキテクチャ 動的ヘテロジニアスグラフを扱うために、HGTに相対時間符号化手法を導入する。 Web スケールのグラフデータを扱うため,ヘテロジニアスなミニバッチグラフサンプリングアルゴリズム--HGSampling--を設計し,効率的かつスケーラブルなトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-03T04:49:21Z)

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。