論文の概要: VIGraph: Generative Self-supervised Learning for Class-Imbalanced Node Classification

• arxiv url: http://arxiv.org/abs/2311.01191v2
• Date: Wed, 27 Mar 2024 10:12:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-28 22:42:58.921575
• Title: VIGraph: Generative Self-supervised Learning for Class-Imbalanced Node Classification
• Title（参考訳）: VIGraph: クラス不均衡ノード分類のための生成的自己教師型学習
• Authors: Yulan Hu, Sheng Ouyang, Zhirui Yang, Yong Liu,
• Abstract要約: グラフデータのクラス不均衡は、ノード分類において重要な課題である。 SMOTEベースのアプローチのような既存の手法は、不均衡グラフを構築する際の限界を示す。 本稿では,変分GAEを基本モデルとする簡易かつ効果的な生成型SSL手法であるVIGraphを紹介する。
• 参考スコア（独自算出の注目度）: 9.686218058331061
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Class imbalance in graph data presents significant challenges for node classification. While existing methods, such as SMOTE-based approaches, partially mitigate this issue, they still exhibit limitations in constructing imbalanced graphs. Generative self-supervised learning (SSL) methods, exemplified by graph autoencoders (GAEs), offer a promising solution by directly generating minority nodes from the data itself, yet their potential remains underexplored. In this paper, we delve into the shortcomings of SMOTE-based approaches in the construction of imbalanced graphs. Furthermore, we introduce VIGraph, a simple yet effective generative SSL approach that relies on the Variational GAE as the fundamental model. VIGraph strictly adheres to the concept of imbalance when constructing imbalanced graphs and innovatively leverages the variational inference (VI) ability of Variational GAE to generate nodes for minority classes. VIGraph introduces comprehensive training strategies, including cross-view contrastive learning at the decoding phase to capture semantic knowledge, adjacency matrix reconstruction to preserve graph structure, and alignment strategy to ensure stable training. VIGraph can generate high-quality nodes directly usable for classification, eliminating the need to integrate the generated nodes back to the graph as well as additional retraining found in SMOTE-based methods. We conduct extensive experiments, results from which demonstrate the superiority and generality of our approach.
• Abstract（参考訳）: グラフデータのクラス不均衡はノード分類において重要な課題である。 SMOTEベースのアプローチのような既存の手法は、この問題を部分的に緩和するが、不均衡グラフの構築には限界がある。 グラフオートエンコーダ(GAE)によって実証された生成自己教師付き学習(SSL)メソッドは、データ自身から少数ノードを直接生成することで、有望なソリューションを提供するが、その可能性はまだ過小評価されていない。 本稿では,不均衡グラフ構築におけるSMOTEに基づくアプローチの欠点について考察する。 さらに,変分GAEを基本モデルとする簡易かつ効果的な生成型SSL手法であるVIGraphを導入する。 VIGraphは、不均衡グラフを構成する際の不均衡の概念に厳格に固執し、変分GAEの変動推論能力(VI)を革新的に活用して少数クラスのノードを生成する。 VIGraphは、セマンティック知識を捉えるためのデコードフェーズでのクロスビューコントラスト学習、グラフ構造を保存するための隣接行列再構成、安定したトレーニングを確保するためのアライメント戦略など、包括的なトレーニング戦略を導入している。 VIGraphは、分類に使用可能な高品質なノードを生成することができ、生成されたノードをグラフに統合する必要がなくなり、SMOTEベースのメソッドで見られる追加のトレーニングも不要になる。 我々は広範な実験を行い、その結果、我々のアプローチの優位性と一般化性を実証した。

関連論文リスト

• Preserving Node Distinctness in Graph Autoencoders via Similarity Distillation [9.395697548237333]
  グラフオートエンコーダ(GAE)は、平均二乗誤差(MSE)のような距離ベースの基準に依存して入力グラフを再構築する。 単一の再構築基準にのみ依存すると 再建されたグラフの 特徴が失われる可能性がある 我々は,再構成されたグラフにおいて,必要な相違性を維持するための簡易かつ効果的な戦略を開発した。
  論文  参考訳（メタデータ） (2024-06-25T12:54:35Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• GraphMAE: Self-Supervised Masked Graph Autoencoders [52.06140191214428]
  本稿では,自己教師付きグラフ学習における課題を軽減するマスク付きグラフオートエンコーダGraphMAEを提案する。 我々は3つの異なるグラフ学習タスクに対して、21の公開データセットに関する広範な実験を行った。 その結果,GraphMAEはグラフオートエンコーダであり,設計に注意を払っている。
  論文  参考訳（メタデータ） (2022-05-22T11:57:08Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Learning Robust Representation through Graph Adversarial Contrastive Learning [6.332560610460623]
  既存の研究では、グラフニューラルネットワーク(GNN)によって生成されたノード表現が、敵の攻撃に対して脆弱であることが示されている。 本稿では,グラフ自己教師型学習に対数拡張を導入することにより,新しいグラフ適応型コントラスト学習フレームワーク(GraphACL)を提案する。
  論文  参考訳（メタデータ） (2022-01-31T07:07:51Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)

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。