Fugu-MT 論文翻訳(概要): A Consistent Diffusion-Based Algorithm for Semi-Supervised Graph Learning

論文の概要: A Consistent Diffusion-Based Algorithm for Semi-Supervised Graph Learning

arxiv url: http://arxiv.org/abs/2311.07627v1
Date: Mon, 13 Nov 2023 08:42:17 GMT
ステータス: 処理完了
システム内更新日: 2023-11-15 16:42:10.760643
Title: A Consistent Diffusion-Based Algorithm for Semi-Supervised Graph Learning
Title（参考訳）: 半教師付きグラフ学習のための一貫性拡散に基づくアルゴリズム
Authors: Thomas Bonald (IP Paris), Nathan de Lara (IP Paris)
Abstract要約: 本稿では,平衡点の温度が点数よりも先に集中しない限り,このアルゴリズムは整合性がないことを示す。この決定的なステップは、アルゴリズムをブロックモデル上で証明可能な一貫性を持たせるだけでなく、実際のグラフに対して大きなパフォーマンス向上をもたらす。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The task of semi-supervised classification aims at assigning labels to all nodes of a graph based on the labels known for a few nodes, called the seeds. One of the most popular algorithms relies on the principle of heat diffusion, where the labels of the seeds are spread by thermoconductance and the temperature of each node at equilibrium is used as a score function for each label. In this paper, we prove that this algorithm is not consistent unless the temperatures of the nodes at equilibrium are centered before scoring. This crucial step does not only make the algorithm provably consistent on a block model but brings significant performance gains on real graphs.
Abstract（参考訳）: 半教師付き分類のタスクは、種と呼ばれるいくつかのノードで知られているラベルに基づいて、グラフのすべてのノードにラベルを割り当てることを目的としている。最も一般的なアルゴリズムの1つは熱拡散の原理に依存し、そこでは種子のラベルが熱伝導によって拡散され、各ノードの平衡温度が各ラベルのスコア関数として使用される。本稿では,平衡点の温度が点数よりも先に集中しない限り,このアルゴリズムは整合性がないことを示す。この重要なステップは、アルゴリズムをブロックモデル上で確実に一貫性を持たせるだけでなく、実際のグラフで大幅なパフォーマンス向上をもたらす。

関連論文リスト

Scoring Anomalous Vertices Through Quantum Walks [0.26013878609420266]
ラベルなしデータの場合、グラフ上の異常検出は、どのデータポイントが他のほとんどのデータに存在する潜在特性に当てはまらないかを決定する方法である。グラフを全ノードの均一な開始位置で連続的にトラバースすることで,各ノードの異常スコアを計算するための第1の量子アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-11-16T12:32:13Z)
UNREAL:Unlabeled Nodes Retrieval and Labeling for Heavily-imbalanced Node Classification [17.23736166919287]
スクイードラベルの分布は実世界のノード分類タスクでよく見られる。本稿では,反復的なオーバーサンプリング手法UNREALを提案する。
論文参考訳（メタデータ） (2023-03-18T09:23:13Z)
Simplifying Node Classification on Heterophilous Graphs with Compatible Label Propagation [6.071760028190454]
本稿では,グラフに対する半教師付きノード分類において,グラフアルゴリズムのラベル伝搬と浅いニューラルネットワークを組み合わせることで,GNNに匹敵する性能が得られることを示す。本稿では,ノードが反対クラスのノードに接続されることの多い低ホモフィリーグラフ上では,このアプローチが不十分であることを示す。アルゴリズムはまずクラス互換行列を学習し、次にクラス適合性によって重み付けされたLPアルゴリズムを用いてラベル予測を集約する。
論文参考訳（メタデータ） (2022-05-19T08:34:34Z)
Spectral clustering under degree heterogeneity: a case for the random walk Laplacian [83.79286663107845]
本稿では,ランダムウォークラプラシアンを用いたグラフスペクトル埋め込みが,ノード次数に対して完全に補正されたベクトル表現を生成することを示す。次数補正ブロックモデルの特別な場合、埋め込みはK個の異なる点に集中し、コミュニティを表す。
論文参考訳（メタデータ） (2021-05-03T16:36:27Z)
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)
Topology-Aware Graph Pooling Networks [51.9008939769679]
ポーリング操作はコンピュータビジョンや自然言語処理タスクに有効である。グラフデータ上でプーリング操作を実行する上での課題のひとつは、グラフ上で明確に定義されていない局所性の欠如である。本稿では,グラフトポロジを明示的に考慮したトポロジ対応プーリング(TAP)層を提案する。
論文参考訳（メタデータ） (2020-10-19T20:14:30Z)
A Consistent Diffusion-Based Algorithm for Semi-Supervised Classification on Graphs [0.0]
グラフ上の半教師付き分類は、シードと呼ばれるいくつかのノードで知られているラベルに基づいて、グラフのすべてのノードにラベルを割り当てることを目的としている。この単純なアルゴリズムの修正は、実データに対して大きな性能向上をもたらすのに十分であることを示す。
論文参考訳（メタデータ） (2020-08-27T06:52:13Z)
Graph Convolutional Networks using Heat Kernel for Semi-supervised Learning [47.18608594687675]
グラフベースの半教師付き学習の鍵となるのは、グラフ構造によってノード上のラベルや機能の滑らかさをキャプチャすることだ。本稿では,低周波フィルタの高速化とグラフ上の信号変動のスムーズ性向上に熱カーネルを活用するGraphHeatを提案する。 GraphHeatは、3つのベンチマークデータセットにわたるグラフベースの半教師付き分類タスクにおいて、最先端の結果を達成する。
論文参考訳（メタデータ） (2020-07-27T11:53:52Z)
Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文参考訳（メタデータ） (2020-07-12T12:06:17Z)
Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文参考訳（メタデータ） (2020-06-18T00:55:10Z)
Factorized Graph Representations for Semi-Supervised Learning from Sparse Data [8.875598257768846]
極端に粗いラベル付きグラフでも、遠隔互換性推定と呼ばれる手法が有効であることを示す。我々の推定器は代替手法よりも桁違いに高速であり、エンドツーエンドの分類精度は金の標準適合性に匹敵するものである。
論文参考訳（メタデータ） (2020-03-05T18:57:45Z)

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。