論文の概要: Node Classification in Random Trees

• arxiv url: http://arxiv.org/abs/2311.12167v2
• Date: Sun, 14 Apr 2024 11:28:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-16 23:17:34.514809
• Title: Node Classification in Random Trees
• Title（参考訳）: ランダムツリーのノード分類
• Authors: Wouter W. L. Nuijten, Vlado Menkovski,
• Abstract要約: ランダムな木として構造化されたオブジェクトの分類法を提案する。 我々の目的は、ツリーデータ構造がノード属性に関連付けられている設定において、ノードラベル割り当ての分布をモデル化することである。 本研究では,Stanford Sentiment Treebank データセットのノード分類タスクについて評価を行った。
• 参考スコア（独自算出の注目度）: 4.800441150586326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a method for the classification of objects that are structured as random trees. Our aim is to model a distribution over the node label assignments in settings where the tree data structure is associated with node attributes (typically high dimensional embeddings). The tree topology is not predetermined and none of the label assignments are present during inference. Other methods that produce a distribution over node label assignment in trees (or more generally in graphs) either assume conditional independence of the label assignment, operate on a fixed graph topology, or require part of the node labels to be observed. Our method defines a Markov Network with the corresponding topology of the random tree and an associated Gibbs distribution. We parameterize the Gibbs distribution with a Graph Neural Network that operates on the random tree and the node embeddings. This allows us to estimate the likelihood of node assignments for a given random tree and use MCMC to sample from the distribution of node assignments. We evaluate our method on the tasks of node classification in trees on the Stanford Sentiment Treebank dataset. Our method outperforms the baselines on this dataset, demonstrating its effectiveness for modeling joint distributions of node labels in random trees.
• Abstract（参考訳）: ランダムな木として構造化されたオブジェクトの分類法を提案する。 本研究の目的は,木構造がノード属性(典型的には高次元埋め込み)と関連付けられている設定において,ノードラベル割り当ての分布をモデル化することである。 ツリートポロジーは規定されておらず、推論中にラベルの割り当ては存在しない。 木(あるいは一般にグラフ)におけるノードラベル割り当ての分布を生成する他の方法は、ラベル割り当ての条件付き独立性を仮定するか、固定されたグラフトポロジーで操作するか、ノードラベルの一部を観察する必要がある。 本手法は,ランダムツリーのトポロジとギブズ分布を対応づけたマルコフネットワークを定義する。 ランダムツリーとノード埋め込みで動作するグラフニューラルネットワークを用いてギブス分布をパラメータ化する。 これにより、与えられたランダムツリーに対するノード割り当ての確率を推定し、MCMCを用いてノード割り当ての分布からサンプリングすることができる。 本研究では,Stanford Sentiment Treebank データセットのノード分類タスクについて評価を行った。 本手法は,ランダム木におけるノードラベルの連成分布のモデル化に有効であることを示す。

関連論文リスト

• HetTree: Heterogeneous Tree Graph Neural Network [12.403166161903378]
  HetTreeは、グラフ構造とヘテロジニアスの両方をモデル化する、新しいヘテロジニアスツリーグラフニューラルネットワークである。 HetTreeは、メタパス間の階層をキャプチャするために、セマンティックツリーデータ構造を構築する。 さまざまな実世界のデータセット上でのHetTreeの評価は、既存のすべてのベースラインをオープンベンチマークで上回っていることを示す。
  論文  参考訳（メタデータ） (2024-02-21T03:14:45Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• 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)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Visualizing hierarchies in scRNA-seq data using a density tree-biased autoencoder [50.591267188664666]
  本研究では,高次元scRNA-seqデータから意味のある木構造を同定する手法を提案する。 次に、低次元空間におけるデータのツリー構造を強調する木バイアスオートエンコーダDTAEを紹介する。
  論文  参考訳（メタデータ） (2021-02-11T08:48:48Z)
• Nested Named Entity Recognition with Partially-Observed TreeCRFs [23.992944831013013]
  ネストネストnerを,部分可観測木を用いた構成構文解析と捉え,部分可観測木crfでモデル化した。 提案手法はACE 2004, ACE 2005データセット上でのSOTA(State-of-the-art)F1スコアを達成し, GENIAデータセット上でのSOTAモデルに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2020-12-15T18:20:36Z)
• Joint Use of Node Attributes and Proximity for Semi-Supervised Classification on Graphs [2.113059435430681]
  本稿では,属性とノード近接性を協調的に重み付けする生成確率モデルに基づいて,JANEの原理的アプローチを提案する。 ネットワークデータセットの多種多様な実験により、JANEは、汎用性と競争性能の望ましい組み合わせを示すことを示した。
  論文  参考訳（メタデータ） (2020-10-22T08:52:11Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。