論文の概要: Domain-adaptive Message Passing Graph Neural Network

• arxiv url: http://arxiv.org/abs/2308.16470v1
• Date: Thu, 31 Aug 2023 05:26:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-01 17:40:39.920201
• Title: Domain-adaptive Message Passing Graph Neural Network
• Title（参考訳）: ドメイン適応型メッセージパッシンググラフニューラルネットワーク
• Authors: Xiao Shen, Shirui Pan, Kup-Sze Choi, Xi Zhou
• Abstract要約: クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
• 参考スコア（独自算出の注目度）: 67.35534058138387
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cross-network node classification (CNNC), which aims to classify nodes in a label-deficient target network by transferring the knowledge from a source network with abundant labels, draws increasing attention recently. To address CNNC, we propose a domain-adaptive message passing graph neural network (DM-GNN), which integrates graph neural network (GNN) with conditional adversarial domain adaptation. DM-GNN is capable of learning informative representations for node classification that are also transferrable across networks. Firstly, a GNN encoder is constructed by dual feature extractors to separate ego-embedding learning from neighbor-embedding learning so as to jointly capture commonality and discrimination between connected nodes. Secondly, a label propagation node classifier is proposed to refine each node's label prediction by combining its own prediction and its neighbors' prediction. In addition, a label-aware propagation scheme is devised for the labeled source network to promote intra-class propagation while avoiding inter-class propagation, thus yielding label-discriminative source embeddings. Thirdly, conditional adversarial domain adaptation is performed to take the neighborhood-refined class-label information into account during adversarial domain adaptation, so that the class-conditional distributions across networks can be better matched. Comparisons with eleven state-of-the-art methods demonstrate the effectiveness of the proposed DM-GNN.
• Abstract（参考訳）: 豊富なラベルを持つソースネットワークから知識を転送することで,ラベル不足対象ネットワーク内のノードを分類することを目的としたクロスネットワークノード分類(cnnc)が近年注目を集めている。 CNNCに対処するために,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合した領域適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。 DM-GNNは、ネットワーク間で転送可能なノード分類のための情報表現を学ぶことができる。 まず、GNNエンコーダを二重特徴抽出器で構成し、隣接する埋め込み学習からエゴ埋め込み学習を分離し、接続ノード間の共通性と識別を共同で取得する。 次に,各ノードのラベル予測を改良するために,各ノードのラベル予測と隣接ノードの予測を組み合わせたラベル伝達ノード分類器を提案する。 さらに、ラベル付きソースネットワークに対して、クラス間伝播を回避しつつクラス内伝播を促進するラベル対応伝搬方式を考案し、ラベル対応ソース埋め込みを実現する。 第三に、ネットワーク間のクラス条件分布をよりよく一致させることができるように、条件付き対向ドメイン適応を行い、近傍修正されたクラスラベル情報を対向ドメイン適応時に考慮する。 11の最先端手法との比較により,dm-gnnの有効性が示された。

関連論文リスト

• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Population Graph Cross-Network Node Classification for Autism Detection Across Sample Groups [10.699937593876669]
  クロスネットワークノード分類は、ドメインドリフトを考慮に入れたGNN技術を拡張している。 我々は、クロスネットワークノード分類のための強力で斬新なアプローチOTGCNを提案する。 自閉症スペクトラム障害の分類におけるこのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-10T18:04:12Z)
• Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
  グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。 本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
  論文  参考訳（メタデータ） (2023-07-22T04:52:27Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Learning Asymmetric Embedding for Attributed Networks via Convolutional Neural Network [19.611523749659355]
  AAGCNと呼ばれる畳み込みグラフニューラルネットワークに基づく新しい非対称属性ネットワーク埋め込みモデルを提案する。 主な考え方は、有向属性ネットワークの非対称な近接性と非対称な類似性を極大に保存することである。 ネットワーク再構成,リンク予測,ノード分類,可視化タスクのための実世界の3つのネットワーク上でのAAGCNの性能を検証した。
  論文  参考訳（メタデータ） (2022-02-13T13:35:15Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• p2pGNN: A Decentralized Graph Neural Network for Node Classification in Peer-to-Peer Networks [15.164084925877624]
  本研究では,非構造化ピアツーピアネットワークのノードを分散化ソーシャルネットワークのユーザなどコミュニケーションの不確実性のあるノードに分類することを目的とする。 この問題を解決するために,グラフニューラルネットワーク(GNN)を分離した。 通信速度に対して線形に同じ予測で収束する拡散の非同期分散定式化を開発する。
  論文  参考訳（メタデータ） (2021-11-29T12:21:47Z)
• Adversarial Deep Network Embedding for Cross-network Node Classification [27.777464531860325]
  クロスネットワークノード分類は、ソースネットワークからの豊富なラベル付きノードを活用し、ターゲットネットワーク内のラベルなしノードの分類を支援する。 本稿では, 対向ドメイン適応とディープネットワーク埋め込みを統合するための, 対向クロスネットワークディープネットワーク埋め込みモデルを提案する。 提案したACDNEモデルは,ネットワーク間ノード分類における最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-02-18T04:30:43Z)

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。