論文の概要: GDM: Dual Mixup for Graph Classification with Limited Supervision
- arxiv url: http://arxiv.org/abs/2309.10134v1
- Date: Mon, 18 Sep 2023 20:17:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 17:36:48.483507
- Title: GDM: Dual Mixup for Graph Classification with Limited Supervision
- Title(参考訳): GDM:リミテッドスーパービジョンを用いたグラフ分類用デュアルミックスアップ
- Authors: Abdullah Alchihabi and Yuhong Guo
- Abstract要約: グラフニューラルネットワーク(GNN)は、グラフ分類タスクにおいて優れたパフォーマンスを得るために、多数のラベル付きグラフサンプルを必要とする。
ラベル付きグラフサンプルの減少に伴い, GNNの性能は著しく低下する。
本稿では,新しいラベル付きグラフサンプルを生成するための混合グラフ拡張法を提案する。
- 参考スコア(独自算出の注目度): 27.8982897698616
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) require a large number of labeled graph samples
to obtain good performance on the graph classification task. The performance of
GNNs degrades significantly as the number of labeled graph samples decreases.
To reduce the annotation cost, it is therefore important to develop graph
augmentation methods that can generate new graph instances to increase the size
and diversity of the limited set of available labeled graph samples. In this
work, we propose a novel mixup-based graph augmentation method, Graph Dual
Mixup (GDM), that leverages both functional and structural information of the
graph instances to generate new labeled graph samples. GDM employs a graph
structural auto-encoder to learn structural embeddings of the graph samples,
and then applies mixup to the structural information of the graphs in the
learned structural embedding space and generates new graph structures from the
mixup structural embeddings. As for the functional information, GDM applies
mixup directly to the input node features of the graph samples to generate
functional node feature information for new mixup graph instances. Jointly, the
generated input node features and graph structures yield new graph samples
which can supplement the set of original labeled graphs. Furthermore, we
propose two novel Balanced Graph Sampling methods to enhance the balanced
difficulty and diversity for the generated graph samples. Experimental results
on the benchmark datasets demonstrate that our proposed method substantially
outperforms the state-of-the-art graph augmentation methods when the labeled
graphs are scarce.
- Abstract(参考訳): グラフニューラルネットワーク(gnns)は、グラフ分類タスクで優れたパフォーマンスを得るために、多数のラベル付きグラフサンプルを必要とする。
ラベル付きグラフサンプルの減少に伴い, GNNの性能は著しく低下する。
アノテーションのコストを下げるためには、新しいグラフインスタンスを生成し、利用可能なグラフサンプルの限られたセットのサイズと多様性を高めるグラフ拡張方法を開発することが重要である。
本稿では,グラフインスタンスの機能的および構造的情報を利用して新しいラベル付きグラフサンプルを生成する,新しいミックスアップに基づくグラフ拡張法であるgraph dual mixup (gdm)を提案する。
GDMはグラフ構造自己エンコーダを用いてグラフサンプルの構造埋め込みを学習し、学習された構造埋め込み空間内のグラフの構造情報にミキサアップを適用し、混合構造埋め込みから新しいグラフ構造を生成する。
機能情報については、GDMはグラフサンプルの入力ノード特徴に直接ミックスアップを適用し、新しいミックスアップグラフインスタンス用の機能ノード特徴情報を生成する。
共同で生成された入力ノードの特徴とグラフ構造は、元のラベル付きグラフのセットを補完する新しいグラフサンプルを生成する。
さらに, 生成したグラフサンプルのバランスド・難易度と多様性を高めるために, 2つの新しいバランスド・グラフサンプリング法を提案する。
ベンチマーク実験の結果,ラベル付きグラフが不足している場合,提案手法は最先端のグラフ拡張手法よりも大幅に優れていた。
関連論文リスト
- GraphMaker: Can Diffusion Models Generate Large Attributed Graphs? [8.008021732866055]
ノード属性を持つ大規模グラフは、様々な現実世界のアプリケーションでますます一般的になっている。
従来のグラフ生成法は、これらの複雑な構造を扱う能力に制限がある。
本稿では,大きな属性グラフを生成するために特別に設計された新しい拡散モデルであるGraphMakerを紹介する。
論文 参考訳(メタデータ) (2023-10-20T22:12:46Z) - 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) - Structure-free Graph Condensation: From Large-scale Graphs to Condensed
Graph-free Data [91.27527985415007]
既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。
我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
論文 参考訳(メタデータ) (2023-06-05T07:53:52Z) - SynGraphy: Succinct Summarisation of Large Networks via Small Synthetic
Representative Graphs [4.550112751061436]
大規模ネットワークデータセットの構造を視覚的に要約するSynGraphyについて述べる。
入力グラフに類似した構造特性を持つために生成されたより小さなグラフを描画する。
論文 参考訳(メタデータ) (2023-02-15T16:00:15Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳(メタデータ) (2023-02-06T16:26:29Z) - Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。
我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文 参考訳(メタデータ) (2022-06-28T02:10:05Z) - Graph Transplant: Node Saliency-Guided Graph Mixup with Local Structure
Preservation [27.215800308343322]
グラフトランスポート(Graph Transplant)と呼ばれるグラフレベルでMixupライクなグラフ拡張手法を提案する。
本手法では, 局所情報を保存可能な混合単位としてサブ構造を同定する。
複数のグラフ分類ベンチマークデータセットを用いて,多様なGNNアーキテクチャを用いて提案手法を広範囲に検証する。
論文 参考訳(メタデータ) (2021-11-10T11:10:13Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳(メタデータ) (2020-07-08T19:48:19Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳(メタデータ) (2020-06-19T13:09:44Z)
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。