論文の概要: S-Mixup: Structural Mixup for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2308.08097v1
• Date: Wed, 16 Aug 2023 02:08:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-17 15:15:34.468352
• Title: S-Mixup: Structural Mixup for Graph Neural Networks
• Title（参考訳）: S-Mixup: グラフニューラルネットワークの構造混合
• Authors: Junghurn Kim, Sukwon Yun, Chanyoung Park
• Abstract要約: 構造混合(S-Mixup)と呼ばれるノード分類のための新しいミックスアップ拡張を提案する。 S-Mixupはグラフニューラルネットワーク(GNN)分類器を介して、グラフ内のラベルなしノードの擬似ラベルと予測信頼度を取得する。 ノード分類タスクで評価したS-Mixupの有効性を示す。
• 参考スコア（独自算出の注目度）: 18.681950665186005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing studies for applying the mixup technique on graphs mainly focus on graph classification tasks, while the research in node classification is still under-explored. In this paper, we propose a novel mixup augmentation for node classification called Structural Mixup (S-Mixup). The core idea is to take into account the structural information while mixing nodes. Specifically, S-Mixup obtains pseudo-labels for unlabeled nodes in a graph along with their prediction confidence via a Graph Neural Network (GNN) classifier. These serve as the criteria for the composition of the mixup pool for both inter and intra-class mixups. Furthermore, we utilize the edge gradient obtained from the GNN training and propose a gradient-based edge selection strategy for selecting edges to be attached to the nodes generated by the mixup. Through extensive experiments on real-world benchmark datasets, we demonstrate the effectiveness of S-Mixup evaluated on the node classification task. We observe that S-Mixup enhances the robustness and generalization performance of GNNs, especially in heterophilous situations. The source code of S-Mixup can be found at \url{https://github.com/SukwonYun/S-Mixup}
• Abstract（参考訳）: グラフへのミックスアップ手法の適用に関する既存の研究は、主にグラフ分類タスクに焦点を当てているが、ノード分類の研究はまだ未検討である。 本稿では,構造ミキサップ(S-Mixup)と呼ばれるノード分類のための新しいミックスアップ拡張を提案する。 中心となるアイデアは、ノードを混合しながら構造情報を考慮することだ。 具体的には、S-Mixupはグラフニューラルネットワーク(GNN)分類器を介して、グラフ内の未ラベルノードの擬似ラベルと予測信頼度を取得する。 これらはクラス間およびクラス内ミックスアップのミックスアッププールの構成基準となる。 さらに,gnnトレーニングから得られたエッジ勾配を利用し,ミックスアップによって生成されたノードに付加されるエッジを選択するための勾配に基づくエッジ選択戦略を提案する。 実世界のベンチマークデータセットに関する広範な実験を通じて、ノード分類タスクで評価されたS-Mixupの有効性を示す。 我々はS-MixupがGNNの堅牢性と一般化性能を高めることを観察した。 S-Mixup のソースコードは \url{https://github.com/SukwonYun/S-Mixup} にある。

関連論文リスト

• AGMixup: Adaptive Graph Mixup for Semi-supervised Node Classification [38.72918509842547]
  Mixupは、画像領域で$lambda$の混合比を使ってデータポイント間を補間することで、モデル一般化を強化する技術である。 本稿では,半教師付きノード分類のための適応グラフ混合(AGMixup)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-11T07:04:35Z)
• GeoMix: Towards Geometry-Aware Data Augmentation [76.09914619612812]
  Mixupは画像分類におけるラベル付き限られたデータによる課題の緩和にかなりの成功を収めている。 In-place graph editing を利用した簡易かつ解釈可能な混合手法 Geometric Mixup (GeoMix) を提案する。
  論文  参考訳（メタデータ） (2024-07-15T12:58:04Z)
• NodeMixup: Tackling Under-Reaching for Graph Neural Networks [27.393295683072406]
  グラフニューラルネットワーク(GNN)は,半教師付きノード分類問題の解法として主流となっている。 グラフ内のラベル付きノードの位置分布が不均一であるため、ラベル付きノードはラベルなしノードのごく一部にしかアクセスできないため、アンファンダーリーチングの問題が発生する。 GNNのアンダーリーチングに取り組むために,NodeMixupと呼ばれるアーキテクチャに依存しない手法を提案する。
  論文  参考訳（メタデータ） (2023-12-20T13:56:27Z)
• On the Equivalence of Graph Convolution and Mixup [70.0121263465133]
  本稿では,グラフ畳み込みと混合手法の関係について検討する。 2つの穏やかな条件の下では、グラフの畳み込みはMixupの特別な形式と見なすことができる。 グラフ畳み込みネットワーク(GCN)と単純化グラフ畳み込み(SGC)をミックスアップの形で表現できることを証明し、数学的にこの等価性を確立する。
  論文  参考訳（メタデータ） (2023-09-29T23:09:54Z)
• Fused Gromov-Wasserstein Graph Mixup for Graph-level Classifications [44.15102300886821]
  我々はFGWMixupと呼ばれる新しいグラフ混合アルゴリズムを提案し、FGWMixupはFused Gromov-Wasserstein計量空間のソースグラフの中間点を求める。 5つのデータセットで行った実験により、FGWMixupはGNNの一般化性と堅牢性を効果的に改善することが示された。
  論文  参考訳（メタデータ） (2023-06-28T07:00:12Z)
• Graph Mixup with Soft Alignments [49.61520432554505]
  本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。 ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
  論文  参考訳（メタデータ） (2023-06-11T22:04:28Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)
• GraphMixup: Improving Class-Imbalanced Node Classification on Graphs by Self-supervised Context Prediction [25.679620842010422]
  本稿では,グラフ上のクラス不均衡ノード分類を改善するための新しい混合フレームワークであるGraphMixupを提案する。 我々は,これらのマイノリティクラスに対する混合によって生成されるサンプル数を適応的に決定するEmphReinforcement Mixupメカニズムを開発した。 3つの実世界のデータセットの実験により、GraphMixupはクラス不均衡なノード分類タスクに対して真に励まされる結果が得られることが示された。
  論文  参考訳（メタデータ） (2021-06-21T14:12:16Z)
• 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)

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。