論文の概要: Positive-Unlabeled Node Classification with Structure-aware Graph Learning

• arxiv url: http://arxiv.org/abs/2310.13538v1
• Date: Fri, 20 Oct 2023 14:32:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 22:33:43.438806
• Title: Positive-Unlabeled Node Classification with Structure-aware Graph Learning
• Title（参考訳）: 構造認識型グラフ学習による正ラベルノード分類
• Authors: Hansi Yang, Yongqi Zhang, Quanming Yao, James Kwok
• Abstract要約: 既存の研究は、グラフ構造における正の未ラベル(PU)ノード分類情報に関するものである。 グラフにホモフィリーを用いてより正確な監視を行う距離対応PU損失を提案する。 また、モデルとグラフ構造を整合させる正規化器を提案する。
• 参考スコア（独自算出の注目度）: 40.476865943437055
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Node classification on graphs is an important research problem with many applications. Real-world graph data sets may not be balanced and accurate as assumed by most existing works. A challenging setting is positive-unlabeled (PU) node classification, where labeled nodes are restricted to positive nodes. It has diverse applications, e.g., pandemic prediction or network anomaly detection. Existing works on PU node classification overlook information in the graph structure, which can be critical. In this paper, we propose to better utilize graph structure for PU node classification. We first propose a distance-aware PU loss that uses homophily in graphs to introduce more accurate supervision. We also propose a regularizer to align the model with graph structure. Theoretical analysis shows that minimizing the proposed loss also leads to minimizing the expected loss with both positive and negative labels. Extensive empirical evaluation on diverse graph data sets demonstrates its superior performance over existing state-of-the-art methods.
• Abstract（参考訳）: グラフ上のノード分類は多くのアプリケーションにおいて重要な研究課題である。 現実世界のグラフデータセットは、既存のほとんどの作品で想定されているように、バランスがとれ、正確ではないかもしれない。 難しい設定は、ラベル付きノードが正のノードに制限される、正のラベル付き(pu)ノード分類である。 パンデミックの予測やネットワーク異常検出など、さまざまな応用がある。 puノードの分類に関する既存の作業は、グラフ構造で情報を見落としている。 本稿では,PUノード分類におけるグラフ構造をよりよく活用することを提案する。 まず、グラフにホモフィリーを用いて、より正確な監視を行う距離対応PU損失を提案する。 また、モデルとグラフ構造を整合させる正規化器を提案する。 理論的解析により、提案された損失の最小化は、正と負の両方のラベルによる期待損失の最小化につながることが示された。 多様なグラフデータセットに対する広範な経験的評価は、既存の最先端手法よりも優れた性能を示している。

関連論文リスト

• Learning on Graphs with Out-of-Distribution Nodes [33.141867473074264]
  グラフニューラルネットワーク(GNN)は、グラフ上で予測タスクを実行するための最先端モデルである。 この研究は、分散ノードによるグラフ学習の問題を定義する。 本稿では,異なるノード間の相互作用を明示的にモデル化する新しいGNNモデルであるOut-of-Distribution Graph Attention Network (OODGAT)を提案する。
  論文  参考訳（メタデータ） (2023-08-13T08:10:23Z)
• 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)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph Convolutional Neural Networks [0.6236890292833384]
  本稿では,近隣ランダムウォークサンプリング(BGCN-NRWS)を用いたベイジアングラフ畳み込みネットワーク(Bayesian Graph Convolutional Network)を提案する。 BGCN-NRWSは、グラフ構造を利用したマルコフ・チェイン・モンテカルロ(MCMC)に基づくグラフサンプリングアルゴリズムを使用し、変分推論層を用いてオーバーフィッティングを低減し、半教師付きノード分類における最先端と比較して一貫して競合する分類結果を得る。
  論文  参考訳（メタデータ） (2021-12-14T20:58:27Z)
• 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)
• Node Classification Meets Link Prediction on Knowledge Graphs [16.37145148171519]
  不完全グラフ上のトランスダクティブノード分類の問題とノード特徴を持つグラフ上のリンク予測について検討する。 ノード分類とリンク予測のための各最先端モデルと比較すると,本モデルは非常に強く機能する。
  論文  参考訳（メタデータ） (2021-06-14T10:52:52Z)
• Graph Classification by Mixture of Diverse Experts [67.33716357951235]
  我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。 GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。 実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-29T14:03:03Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Certified Robustness of Graph Classification against Topology Attack with Randomized Smoothing [22.16111584447466]
  グラフベースの機械学習モデルは、非i.dなグラフデータの性質のため、敵対的な摂動に弱い。 堅牢性を保証するスムーズなグラフ分類モデルを構築した。 グラフ畳み込みネットワーク(GCN)に基づくマルチクラスグラフ分類モデルにおいて,提案手法の有効性を評価する。
  論文  参考訳（メタデータ） (2020-09-12T22:18:54Z)

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。