論文の概要: $\mathcal{G}^2Pxy$: Generative Open-Set Node Classification on Graphs
with Proxy Unknowns
- arxiv url: http://arxiv.org/abs/2308.05463v1
- Date: Thu, 10 Aug 2023 09:42:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-11 12:58:20.982790
- Title: $\mathcal{G}^2Pxy$: Generative Open-Set Node Classification on Graphs
with Proxy Unknowns
- Title（参考訳）: $\mathcal{G}^2Pxy$: プロキシ未知グラフ上の生成的オープンセットノード分類
- Authors: Qin Zhang, Zelin Shi, Xiaolin Zhang, Xiaojun Chen, Philippe
Fournier-Viger, Shirui Pan
- Abstract要約: 本稿では,新しい生成的オープンセットノード分類法,すなわち $mathcalG2Pxy$ を提案する。
トレーニングや検証中に未知のクラスに関する情報が得られない、より厳密な帰納的学習環境に従う。
$mathcalG2Pxy$は未知のクラス検出と既知のクラス分類において優れた効果を達成する。
- 参考スコア（独自算出の注目度）: 35.976426549671075
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Node classification is the task of predicting the labels of unlabeled nodes
in a graph. State-of-the-art methods based on graph neural networks achieve
excellent performance when all labels are available during training. But in
real-life, models are often applied on data with new classes, which can lead to
massive misclassification and thus significantly degrade performance. Hence,
developing open-set classification methods is crucial to determine if a given
sample belongs to a known class. Existing methods for open-set node
classification generally use transductive learning with part or all of the
features of real unseen class nodes to help with open-set classification. In
this paper, we propose a novel generative open-set node classification method,
i.e. $\mathcal{G}^2Pxy$, which follows a stricter inductive learning setting
where no information about unknown classes is available during training and
validation. Two kinds of proxy unknown nodes, inter-class unknown proxies and
external unknown proxies are generated via mixup to efficiently anticipate the
distribution of novel classes. Using the generated proxies, a closed-set
classifier can be transformed into an open-set one, by augmenting it with an
extra proxy classifier. Under the constraints of both cross entropy loss and
complement entropy loss, $\mathcal{G}^2Pxy$ achieves superior effectiveness for
unknown class detection and known class classification, which is validated by
experiments on benchmark graph datasets. Moreover, $\mathcal{G}^2Pxy$ does not
have specific requirement on the GNN architecture and shows good
generalizations.
- Abstract（参考訳）: ノード分類は、グラフ内のラベルなしノードのラベルを予測するタスクである。
グラフニューラルネットワークに基づく最先端の手法は、トレーニング中にすべてのラベルが利用できる場合に優れたパフォーマンスを達成する。
しかし、現実のモデルでは、しばしば新しいクラスを持つデータに適用されるため、大きな誤分類が生じ、性能が著しく低下する可能性がある。
したがって、ある標本が既知のクラスに属するかどうかを決定するためには、開集合分類法の開発が不可欠である。
既存のオープンセットノード分類の方法は、一般に、オープンセットの分類を助けるために、実際の未知のクラスノードの機能の一部またはすべてを含むトランスダクティブラーニングを使用する。
本稿では,未知のクラスに関する情報が得られない,より厳密な帰納的学習環境に従う新しい生成的オープンセットノード分類法,すなわち$\mathcal{G}^2Pxy$を提案する。
2種類のプロキシ不明ノード、クラス間未知プロキシおよび外部未知プロキシがmixupを介して生成され、新規クラスの分布を効率的に予測する。
生成されたプロキシを使用することで、クローズドセット分類器を、余分なプロキシ分類器で拡張することで、オープンセットに変換することができる。
クロスエントロピー損失と補完エントロピー損失の両方の制約の下で、$\mathcal{g}^2pxy$ は未知のクラス検出と既知のクラス分類において優れた効果を達成し、ベンチマークグラフデータセットの実験によって検証される。
さらに、$\mathcal{G}^2Pxy$ は GNN アーキテクチャに特別な要件を持たず、優れた一般化を示す。
関連論文リスト
- POWN: Prototypical Open-World Node Classification [6.704529554100875]
我々は,実世界の半教師付きノード分類の問題を考える。
既存のメソッドは、新しいクラスを検出して拒否するが、異なる新しいクラスを区別することができない。
本稿では,クラスプロトタイプをベースとした,既知のクラスと新しいクラスに分類する,新しいエンドツーエンドアプローチを提案する。
論文 参考訳（メタデータ） (2024-06-14T11:14:01Z) - Graph Mining under Data scarcity [6.229055041065048]
汎用グラフニューラルネットワーク(GNN)上に適用可能な不確実性推定フレームワークを提案する。
エンド・ツー・エンドの設定で、$n$-way、$k$-shotという古典的なエピソード学習パラダイムの下でこれらのモデルをトレーニングします。
提案手法は,GNNを用いたグラフ上のFew-shotノード分類における不確実性推定器の有効性を示すベースラインよりも優れる。
論文 参考訳（メタデータ） (2024-06-07T10:50:03Z) - Open-World Semi-Supervised Learning for Node Classification [53.07866559269709]
ノード分類のためのオープンワールド半教師付き学習(Open World SSL)は、グラフコミュニティにおいて実用的だが未探索の課題である。
オープンワールド半教師付きノード分類のためのIM Balance-AwareメソッドOpenIMAを提案する。
論文 参考訳（メタデータ） (2024-03-18T05:12:54Z) - Contrastive Meta-Learning for Few-shot Node Classification [54.36506013228169]
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。
論文 参考訳（メタデータ） (2023-06-27T02:22:45Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Towards Semi-supervised Universal Graph Classification [6.339931887475018]
半教師付き普遍グラフ分類の問題について検討する。
ラベルの不足と潜在的なクラスシフトのため、この問題は難しい。
サブグラフの観点からラベル付けされていないデータを最大限に活用する新しいグラフニューラルネットワークフレームワークUGNNを提案する。
論文 参考訳（メタデータ） (2023-05-31T06:58:34Z) - Geometer: Graph Few-Shot Class-Incremental Learning via Prototype
Representation [50.772432242082914]
既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。
本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。
完全に接続されたニューラルネットワークのクラスを置き換えて再トレーニングする代わりに、Geometerは、最も近いクラスのプロトタイプを見つけることによって、ノードのラベルを予測する。
論文 参考訳（メタデータ） (2022-05-27T13:02:07Z) - Structure-Aware Label Smoothing for Graph Neural Networks [39.97741949184259]
ラベル分布を1ホットベクトルとして表現することは、ノード分類モデルのトレーニングにおいて一般的な方法である。
本稿では,一般的なノード分類モデルに対する拡張成分として,新しいSALS(textitStructure-Aware Label Smoothing)法を提案する。
論文 参考訳（メタデータ） (2021-12-01T13:48:58Z) - Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer
Proxies [65.92826041406802]
本稿では,グラフ分類の観点から,プロキシベースのディープグラフメトリックラーニング手法を提案する。
複数のグローバルプロキシを利用して、各クラスの元のデータポイントを総括的に近似する。
本研究では, 近接関係を接地トラス・ラベルに従って調整する, 新たな逆ラベル伝搬アルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-10-26T14:52:42Z) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳（メタデータ） (2020-08-31T08:41:20Z)
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。