Fugu-MT 論文翻訳(概要): Classifying Nodes in Graphs without GNNs

論文の概要: Classifying Nodes in Graphs without GNNs

arxiv url: http://arxiv.org/abs/2402.05934v1
Date: Thu, 8 Feb 2024 18:59:30 GMT
ステータス: 処理完了
システム内更新日: 2024-02-09 13:27:54.719304
Title: Classifying Nodes in Graphs without GNNs
Title（参考訳）: GNNなしでグラフでノードを分類する
Authors: Daniel Winter, Niv Cohen, Yedid Hoshen
Abstract要約: 本稿では,完全GNNフリーなノード分類手法を提案する。本手法は, 滑らかさ制約, 擬似ラベル反復, 近傍ラベルヒストグラムの3つの主要成分からなる。
参考スコア（独自算出の注目度）: 50.311528896010785
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph neural networks (GNNs) are the dominant paradigm for classifying nodes in a graph, but they have several undesirable attributes stemming from their message passing architecture. Recently, distillation methods succeeded in eliminating the use of GNNs at test time but they still require them during training. We perform a careful analysis of the role that GNNs play in distillation methods. This analysis leads us to propose a fully GNN-free approach for node classification, not requiring them at train or test time. Our method consists of three key components: smoothness constraints, pseudo-labeling iterations and neighborhood-label histograms. Our final approach can match the state-of-the-art accuracy on standard popular benchmarks such as citation and co-purchase networks, without training a GNN.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ内のノードを分類する主要なパラダイムであるが、メッセージパッシングアーキテクチャに由来するいくつかの望ましくない属性を持っている。近年, 蒸留法がgnnの使用を試験時に排除することに成功したが, 訓練中はそれを必要としていた。我々は,蒸留法においてGNNが果たす役割を慎重に分析する。この分析により,ノード分類にはgnnフリーな手法が提案されている。本手法は, 滑らかさ制約, 擬似ラベル反復, 近傍ラベルヒストグラムの3成分からなる。我々の最終アプローチは、GNNを訓練することなく、引用や共購入ネットワークなどの一般的なベンチマークの最先端の精度と一致させることができる。

関連論文リスト

GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。 DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
論文参考訳（メタデータ） (2023-10-23T05:51:59Z)
You Can Have Better Graph Neural Networks by Not Training Weights at All: Finding Untrained GNNs Tickets [105.24703398193843]
グラフニューラルネットワーク(GNN)の未訓練作業はまだ謎のままだ。得られた未学習作品によって,GNNの過度なスムース化問題を大幅に軽減できることを示す。また,そのような未学習作業が,入力摂動の分布外検出と堅牢性に優れていることも観察した。
論文参考訳（メタデータ） (2022-11-28T14:17:36Z)
GraFN: Semi-Supervised Node Classification on Graph with Few Labels via Non-Parametric Distribution Assignment [5.879936787990759]
本研究では,グラフの半教師付き手法であるGraFNを提案し,同一クラスに属するノードをグループ化する。 GraFNはグラフ全体からラベル付きノードとアンカーノードからランダムにノードをサンプリングする。実世界のグラフ上のノード分類において,GraFNが半教師付き手法と自己教師型手法のどちらよりも優れていることを示す。
論文参考訳（メタデータ） (2022-04-04T08:22:30Z)
Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文参考訳（メタデータ） (2022-03-03T09:53:53Z)
KerGNNs: Interpretable Graph Neural Networks with Graph Kernels [14.421535610157093]
グラフニューラルネットワーク(GNN)は、下流グラフ関連タスクにおける最先端の手法となっている。我々は新しいGNNフレームワークKernel Graph Neural Networks(KerGNNs)を提案する。 KerGNNはグラフカーネルをGNNのメッセージパッシングプロセスに統合する。提案手法は,既存の最先端手法と比較して,競争性能が向上することを示す。
論文参考訳（メタデータ） (2022-01-03T06:16:30Z)
Graph-Free Knowledge Distillation for Graph Neural Networks [30.38128029453977]
グラフデータのないグラフニューラルネットワークから知識を蒸留する最初の専用アプローチを提案する。グラフフリーkd (gfkd) は知識伝達のためのグラフトポロジ構造を多項分布でモデル化することで学習する。グラフデータやGNNにおける様々な種類の事前知識を扱うための戦略を提供する。
論文参考訳（メタデータ） (2021-05-16T21:38:24Z)
Two-stage Training of Graph Neural Networks for Graph Classification [24.11791971161264]
グラフニューラルネットワーク(GNN)は、グラフ上の機械学習分野において大きな注目を集めている。本研究では,三重項損失に基づく二段階学習フレームワークを提案する。本研究は,各GNNの割り当て能力の精度と利用率を,元の学習法よりも一貫した向上を実証する。
論文参考訳（メタデータ） (2020-11-10T13:47:28Z)
Label-Consistency based Graph Neural Networks for Semi-supervised Node Classification [47.753422069515366]
グラフニューラルネットワーク(GNN)は,グラフに基づく半教師付きノード分類において顕著な成功を収めている。本稿では,GNNにおけるノードの受容領域を拡大するために,ノードペアが接続されていないが同一のラベルを持つラベル一貫性に基づくグラフニューラルネットワーク(LC-GNN)を提案する。ベンチマークデータセットの実験では、LC-GNNはグラフベースの半教師付きノード分類において従来のGNNよりも優れていた。
論文参考訳（メタデータ） (2020-07-27T11:17:46Z)
GPT-GNN: Generative Pre-Training of Graph Neural Networks [93.35945182085948]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのモデリングにおいて強力であることが示されている。生成事前学習によりGNNを初期化するためのGPT-GNNフレームワークを提案する。 GPT-GNNは、様々な下流タスクにおいて、事前トレーニングを最大9.1%行うことなく、最先端のGNN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） (2020-06-27T20:12:33Z)
XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。 GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
論文参考訳（メタデータ） (2020-06-03T23:52:43Z)

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。