論文の概要: Improving Article Classification with Edge-Heterogeneous Graph Neural
Networks
- arxiv url: http://arxiv.org/abs/2309.11341v1
- Date: Wed, 20 Sep 2023 14:18:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 12:48:09.614471
- Title: Improving Article Classification with Edge-Heterogeneous Graph Neural
Networks
- Title(参考訳): エッジ不均一グラフニューラルネットワークによる記事分類の改善
- Authors: Khang Ly, Yury Kashnitsky, Savvas Chamezopoulos, Valeria
Krzhizhanovskaya
- Abstract要約: エッジヘテロジニアスグラフ表現を用いた単純なグラフニューラルネットワーク(GNN)パイプラインにより,記事分類の性能を向上させる手法を提案する。
完全に教師されたトランスダクティブノード分類実験は、Open Graph Benchmark (OGB) ogbn-arxivデータセットとPubMed糖尿病データセットで実施されている。
- 参考スコア(独自算出の注目度): 0.13654846342364307
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classifying research output into context-specific label taxonomies is a
challenging and relevant downstream task, given the volume of existing and
newly published articles. We propose a method to enhance the performance of
article classification by enriching simple Graph Neural Networks (GNN)
pipelines with edge-heterogeneous graph representations. SciBERT is used for
node feature generation to capture higher-order semantics within the articles'
textual metadata. Fully supervised transductive node classification experiments
are conducted on the Open Graph Benchmark (OGB) ogbn-arxiv dataset and the
PubMed diabetes dataset, augmented with additional metadata from Microsoft
Academic Graph (MAG) and PubMed Central, respectively. The results demonstrate
that edge-heterogeneous graphs consistently improve the performance of all GNN
models compared to the edge-homogeneous graphs. The transformed data enable
simple and shallow GNN pipelines to achieve results on par with more complex
architectures. On ogbn-arxiv, we achieve a top-15 result in the OGB competition
with a 2-layer GCN (accuracy 74.61%), being the highest-scoring solution with
sub-1 million parameters. On PubMed, we closely trail SOTA GNN architectures
using a 2-layer GraphSAGE by including additional co-authorship edges in the
graph (accuracy 89.88%). The implementation is available at:
$\href{https://github.com/lyvykhang/edgehetero-nodeproppred}{\text{https://github.com/lyvykhang/edgehetero-nodeproppred}}$.
- Abstract(参考訳): 研究成果を文脈固有のラベル分類に分類することは、既存の記事や新しく公開された記事の量を考えると、困難で関連性の高い下流課題である。
エッジヘテロジニアスグラフ表現を用いた単純なグラフニューラルネットワーク(GNN)パイプラインにより,記事分類の性能を向上させる手法を提案する。
SciBERTは、記事のテキストメタデータ内で上位のセマンティクスをキャプチャするためにノード機能生成に使用される。
完全な教師付きトランスダクティブノード分類実験は、Open Graph Benchmark (OGB) ogbn-arxivデータセットとPubMed糖尿病データセットで行われ、それぞれMicrosoft Academic Graph (MAG) とPubMed Centralのメタデータを付加した。
その結果、エッジヘテロジェンスグラフは、エッジ均質グラフと比較して、すべてのgnnモデルの性能を一貫して向上させることが示された。
変換されたデータにより、単純で浅いGNNパイプラインは、より複雑なアーキテクチャと同等の結果を得ることができる。
ogbn-arxiv では,2層 gcn (精度74.61%) との ogb 競合をトップ-15で達成した。
PubMedでは、グラフに追加の共著者エッジ(精度89.88%)を含めることで、2層グラフSAGEを用いてSOTA GNNアーキテクチャを綿密に追跡する。
実装は以下の通りである。 $\href{https://github.com/lyvykhang/edgehetero-nodeproppred}{\text{https://github.com/lyvykhang/edgehetero-nodeproppred}}$
関連論文リスト
- Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2023-05-18T07:27:18Z) - Graph Property Prediction on Open Graph Benchmark: A Winning Solution by
Graph Neural Architecture Search [37.89305885538052]
PAS(Pooling Architecture Search)を導入してグラフ分類タスクのためのグラフニューラルネットワークフレームワークを設計する。
本稿では,GNNトポロジ設計手法であるF2GNNに基づいて改良を行い,グラフ特性予測タスクにおけるモデルの性能をさらに向上させる。
NAS法は,複数のタスクに対して高い一般化能力を有し,グラフ特性予測タスクの処理における本手法の利点が証明された。
論文 参考訳(メタデータ) (2022-07-13T08:17:48Z) - A Robust Stacking Framework for Training Deep Graph Models with
Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。
IID(non-graph)データをGNNに簡単に組み込むことはできない。
本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-16T22:46:33Z) - 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) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳(メタデータ) (2022-03-03T09:53:53Z) - Imbalanced Graph Classification via Graph-of-Graph Neural Networks [16.589373163769853]
グラフニューラルネットワーク(GNN)は、グラフの分類ラベルを識別するグラフ表現の学習において、前例のない成功を収めている。
本稿では,グラフ不均衡問題を軽減する新しいフレームワークであるグラフ・オブ・グラフニューラルネットワーク(G$2$GNN)を提案する。
提案したG$2$GNNは,F1-macroとF1-microのスコアにおいて,多くのベースラインを約5%上回る性能を示した。
論文 参考訳(メタデータ) (2021-12-01T02:25:47Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳(メタデータ) (2021-10-15T07:18:57Z) - A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。
グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
論文 参考訳(メタデータ) (2021-02-12T21:52:43Z) - Boost then Convolve: Gradient Boosting Meets Graph Neural Networks [6.888700669980625]
グラデーションブースト決定木(gbdt)は,異種データに対して他の機械学習手法よりも優れていることが示されている。
我々は,gbdt と gnn を共同で訓練し,両世界のベストを勝ち取る新しいアーキテクチャを提案する。
我々のモデルは、GNNの勾配更新に新しい木を適合させることにより、エンドツーエンドの最適化の恩恵を受ける。
論文 参考訳(メタデータ) (2021-01-21T10:46:41Z) - Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。
最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。
本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文 参考訳(メタデータ) (2020-11-19T06:03:35Z) - Self-Enhanced GNN: Improving Graph Neural Networks Using Model Outputs [20.197085398581397]
グラフニューラルネットワーク(GNN)は最近、グラフベースのタスクにおける優れたパフォーマンスのために、多くの注目を集めている。
本稿では,既存のGNNモデルの出力を用いて,入力データの品質を向上させる自己強化型GNN(SEG)を提案する。
SEGは、GCN、GAT、SGCといったよく知られたGNNモデルのさまざまなデータセットのパフォーマンスを一貫して改善する。
論文 参考訳(メタデータ) (2020-02-18T12:27:16Z)
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。