論文の概要: Non-Neighbors Also Matter to Kriging: A New Contrastive-Prototypical Learning

• arxiv url: http://arxiv.org/abs/2401.12681v1
• Date: Tue, 23 Jan 2024 11:46:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-24 15:55:15.530526
• Title: Non-Neighbors Also Matter to Kriging: A New Contrastive-Prototypical Learning
• Title（参考訳）: 非隣人もまたクリグに重要:新しいコントラスト型学習
• Authors: Zhishuai Li, Yunhao Nie, Ziyue Li, Lei Bai, Yisheng Lv, Rui Zhao
• Abstract要約: 既存の研究は、隣人の情報が、観測されていない対象の属性を推定する基盤を提供すると仮定している。 本研究では,隣人からの貴重な情報を洗練し,非隣人からの情報を再利用するために,KrigingのためのContrastive-Prototypealの自己教師型学習を提案する。
• 参考スコア（独自算出の注目度）: 24.701170582359104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kriging aims at estimating the attributes of unsampled geo-locations from observations in the spatial vicinity or physical connections, which helps mitigate skewed monitoring caused by under-deployed sensors. Existing works assume that neighbors' information offers the basis for estimating the attributes of the unobserved target while ignoring non-neighbors. However, non-neighbors could also offer constructive information, and neighbors could also be misleading. To this end, we propose ``Contrastive-Prototypical'' self-supervised learning for Kriging (KCP) to refine valuable information from neighbors and recycle the one from non-neighbors. As a pre-trained paradigm, we conduct the Kriging task from a new perspective of representation: we aim to first learn robust and general representations and then recover attributes from representations. A neighboring contrastive module is designed that coarsely learns the representations by narrowing the representation distance between the target and its neighbors while pushing away the non-neighbors. In parallel, a prototypical module is introduced to identify similar representations via exchanged prediction, thus refining the misleading neighbors and recycling the useful non-neighbors from the neighboring contrast component. As a result, not all the neighbors and some of the non-neighbors will be used to infer the target. To encourage the two modules above to learn general and robust representations, we design an adaptive augmentation module that incorporates data-driven attribute augmentation and centrality-based topology augmentation over the spatiotemporal Kriging graph data. Extensive experiments on real-world datasets demonstrate the superior performance of KCP compared to its peers with 6% improvements and exceptional transferability and robustness. The code is available at https://github.com/bonaldli/KCP
• Abstract（参考訳）: Krigingは、空間近傍や物理的接続における観測から、サンプリングされていない位置の属性を推定することを目的としている。 既存の研究は、隣人の情報は非隣人を無視しながら、観測されていない対象の属性を推定する基礎を提供すると仮定している。 しかし、非隣人は建設的な情報も提供でき、隣人は誤解を招く可能性がある。 そこで本研究では,隣人からの貴重な情報を洗練し,非隣人からの情報を再利用するために,KCP(Contrastive-Prototypeal)による自己指導型学習を提案する。 事前訓練されたパラダイムとして、我々は、新しい表現の観点から、Krigingタスクを実行する: まず、堅牢で一般的な表現を学習し、それから表現から属性を回復することを目的としている。 隣接するコントラストモジュールは、非隣人を押し下げながら、ターゲットと隣人の間の表現距離を狭め、粗く表現を学習するように設計されている。 並行して、交換された予測を通じて類似表現を識別する原型的モジュールを導入し、誤解を招く隣人を精製し、隣り合うコントラストコンポーネントから有用な非隣接表現を再利用する。 結果として、隣人や非隣人のすべてが標的を推測するために使用されるわけではない。 以上の2つのモジュールが一般的な表現とロバスト表現を学習するために、時空間クリググラフデータに対するデータ駆動属性拡張と集中型トポロジ拡張を組み込んだ適応拡張モジュールを設計する。 実世界のデータセットに関する広範な実験は、6%の改善と例外的な転送可能性と堅牢性で、kcpの他と比べて優れたパフォーマンスを示している。 コードはhttps://github.com/bonaldli/kcpで入手できる。

関連論文リスト

• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Contrast then Memorize: Semantic Neighbor Retrieval-Enhanced Inductive Multimodal Knowledge Graph Completion [12.504140924121872]
  マルチモーダル知識グラフ補完(MKGC)は、MKGの欠落するリンクを予測するために多くの研究がなされている。 既存の帰納的アプローチは、視覚的モダリティにおいてリッチな意味情報を無視するテキストエンティティ表現の学習に重点を置いている。 本稿では, セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティクス(IMKGC) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-03T07:31:33Z)
• Trust your Good Friends: Source-free Domain Adaptation by Reciprocal Neighborhood Clustering [50.46892302138662]
  我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。 提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。 本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
  論文  参考訳（メタデータ） (2023-09-01T15:31:18Z)
• Local Consensus Enhanced Siamese Network with Reciprocal Loss for Two-view Correspondence Learning [35.5851523517487]
  2視点対応学習は通常、一致の信頼性と相対的なポーズを共同で予測するエンドツーエンドネットワークを確立する。 本稿では,既存のモデルの特徴を増強するローカル・フィーチャー・コンセンサス (LFC) プラグイン・ブロックを提案する。 我々は既存のモデルを相互予測の監督を生かした相互損失を伴うシームズネットワークに拡張する。
  論文  参考訳（メタデータ） (2023-08-06T22:20:09Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• Far Away in the Deep Space: Dense Nearest-Neighbor-Based Out-of-Distribution Detection [33.78080060234557]
  Nearest-Neighborsアプローチは、オブジェクト中心のデータドメインでうまく機能することが示されている。 近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近
  論文  参考訳（メタデータ） (2022-11-12T13:32:19Z)
• Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning [29.482674624323835]
  そこで我々は,NCL(Nighborhood-enriched Contrastive Learning)という新しいコントラスト学習手法を提案する。 相互作用グラフ上の構造的隣人に対しては、ユーザ(またはアイテム)とその構造的隣人を正のコントラスト的対とみなす新しい構造的対照的な目的を開発する。 実装では、ユーザ(またはアイテム)と隣人の表現は異なるGNN層の出力に対応する。
  論文  参考訳（メタデータ） (2022-02-13T04:18:18Z)
• Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction [74.52904110197004]
  本稿では,近隣相互作用に基づくCTR予測を提案し,そのタスクを異種情報ネットワーク(HIN)設定に組み込む。 周辺地域の表現を高めるために,ノード間のトポロジカルな相互作用を4種類検討する。 本研究では,2つの実世界のデータセットに関する総合的な実験を行い,提案手法が最先端のCTRモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-01-25T12:44:23Z)
• Modelling Neighbor Relation in Joint Space-Time Graph for Video Correspondence Learning [53.74240452117145]
  本稿では、ラベルなしビデオから信頼できる視覚対応を学習するための自己教師付き手法を提案する。 接続時空間グラフでは,ノードがフレームからサンプリングされたグリッドパッチであり,2種類のエッジによってリンクされる。 学習した表現は、様々な視覚的タスクにおいて最先端の自己監督手法よりも優れています。
  論文  参考訳（メタデータ） (2021-09-28T05:40:01Z)
• Exploring Set Similarity for Dense Self-supervised Representation Learning [96.35286140203407]
  本研究では,高密度自己教師型表現学習のためのtextbfset textbfsimilarity (SetSim) を提案する。 ピクセルワイドの類似性学習をセットワイドに一般化し,よりセマンティックな情報や構造的な情報を含むため,ロバスト性を向上させる。 具体的には、ビューの注意的特徴に頼って対応する集合を定め、不適切な対応を引き起こす可能性のあるノイズの多い背景をフィルタリングする。
  論文  参考訳（メタデータ） (2021-07-19T09:38:27Z)
• A Unified Model for Recommendation with Selective Neighborhood Modeling [9.367539466637664]
  そこで我々は、類似の隣人を異種(ノイズの多い)から自動的に分離するハイブリッドゲートネットワークを設計する、新しい近所ベースのレコメンデータを提案する。 提案モデルは,最先端の地域ベースレコメンデーションよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-19T08:06:16Z)

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。