論文の概要: GraphCBAL: Class-Balanced Active Learning for Graph Neural Networks via
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2402.10074v1
- Date: Thu, 15 Feb 2024 16:37:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 14:46:05.252695
- Title: GraphCBAL: Class-Balanced Active Learning for Graph Neural Networks via
Reinforcement Learning
- Title（参考訳）: GraphCBAL:強化学習によるグラフニューラルネットワークのためのクラスベースアクティブラーニング
- Authors: Chengcheng Yu, Jiapeng Zhu, Xiang Li
- Abstract要約: グラフニューラルネットワーク(GNN)は、最近大きな成功を収めている。
GNNのアクティブラーニングは、アノテーションのためにラベルのないデータから貴重なサンプルをクエリすることを目的としている。
GNNにおける強化能動学習の方法の多くは、高度に不均衡なクラス分布をもたらす可能性がある。
我々は,GNNのための新しい強化されたクラスバランス型アクティブラーニングフレームワーク,すなわちGraphCBALを提案する。
- 参考スコア（独自算出の注目度）: 14.879357764364375
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks (GNNs) have recently demonstrated significant success.
Active learning for GNNs aims to query the valuable samples from the unlabeled
data for annotation to maximize the GNNs' performance at a low cost. However,
most existing methods for reinforced active learning in GNNs may lead to a
highly imbalanced class distribution, especially in highly skewed class
scenarios. This further adversely affects the classification performance. To
tackle this issue, in this paper, we propose a novel reinforced class-balanced
active learning framework for GNNs, namely, GraphCBAL. It learns an optimal
policy to acquire class-balanced and informative nodes for annotation,
maximizing the performance of GNNs trained with selected labeled nodes.
GraphCBAL designs class-balance-aware states, as well as a reward function that
achieves trade-off between model performance and class balance. We further
upgrade GraphCBAL to GraphCBAL++ by introducing a punishment mechanism to
obtain a more class-balanced labeled set. Extensive experiments on multiple
datasets demonstrate the effectiveness of the proposed approaches, achieving
superior performance over state-of-the-art baselines. In particular, our
methods can strike the balance between classification results and class
balance.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は近年,大きな成功を収めている。
GNNのアクティブラーニングは、ラベルのないデータから貴重なサンプルを照会して、GNNのパフォーマンスを低コストで最大化することを目的としている。
しかし、既存のGNNにおける強化能動学習手法のほとんどは、特に高度に歪んだクラスシナリオにおいて、高度に不均衡なクラス分布をもたらす可能性がある。
これはさらに分類性能に悪影響を及ぼす。
この問題に対処するため,本稿では,GNNのための拡張型クラスバランス型アクティブラーニングフレームワーク,すなわちGraphCBALを提案する。
アノテーションのためのクラスバランスと情報ノードを取得するための最適なポリシーを学び、選択されたラベル付きノードでトレーニングされたGNNのパフォーマンスを最大化する。
GraphCBALは、クラスバランスを意識した状態と、モデルパフォーマンスとクラスバランスのトレードオフを実現する報酬関数を設計する。
我々はさらにGraphCBALをGraphCBAL++にアップグレードし、よりクラスバランスのよいラベル付き集合を得るための罰則を導入する。
複数のデータセットに対する大規模な実験は、提案手法の有効性を示し、最先端のベースラインよりも優れた性能を実現する。
特に,本手法は分類結果とクラスバランスのバランスをとることができる。
関連論文リスト
- Language Models are Graph Learners [70.14063765424012]
言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。
本稿では,ノード分類タスクにおける最先端のGNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
論文 参考訳（メタデータ） (2024-10-03T08:27:54Z) - Online GNN Evaluation Under Test-time Graph Distribution Shifts [92.4376834462224]
オンラインGNN評価という新たな研究課題は、よく訓練されたGNNが現実世界の未ラベルグラフに一般化する能力について、貴重な洞察を提供することを目的としている。
我々は、よく訓練されたGNNモデルのテスト時間一般化誤差を推定するために、LeBeDと呼ばれる効果的な学習行動不一致スコアを開発する。
論文 参考訳（メタデータ） (2024-03-15T01:28:08Z) - 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) - Label Deconvolution for Node Representation Learning on Large-scale
Attributed Graphs against Learning Bias [75.44877675117749]
本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。
実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
論文 参考訳（メタデータ） (2023-09-26T13:09:43Z) - Analyzing the Effect of Sampling in GNNs on Individual Fairness [79.28449844690566]
グラフニューラルネットワーク(GNN)ベースの手法は、レコメンダシステムの分野を飽和させた。
我々は,GNNの学習を支援するために,グラフ上で個別の公平性を促進させる既存手法を拡張した。
本研究では,局所ニュアンスが表現学習における公平化促進の過程を導くことによって,ミニバッチトレーニングが個人の公正化を促進することを示す。
論文 参考訳（メタデータ） (2022-09-08T16:20:25Z) - Distance-wise Prototypical Graph Neural Network in Node Imbalance
Classification [9.755229198654922]
本研究では,不均衡なグラフデータに対して,距離ワイドなプロトタイプグラフニューラルネットワーク(DPGNN)を提案する。
提案した DPGNN は, ほぼ常に他のベースラインよりも優れており, 不均衡ノード分類におけるその有効性を示している。
論文 参考訳（メタデータ） (2021-10-22T19:43:15Z) - Class Balancing GAN with a Classifier in the Loop [58.29090045399214]
本稿では,GANを学習するための理論的動機付けクラスバランス正則化器を提案する。
我々の正規化器は、訓練済みの分類器からの知識を利用して、データセット内のすべてのクラスのバランスの取れた学習を確実にします。
複数のデータセットにまたがる既存手法よりも優れた性能を達成し,長期分布の学習表現における正規化器の有用性を実証する。
論文 参考訳（メタデータ） (2021-06-17T11:41:30Z) - AdaGCN:Adaptive Boosting Algorithm for Graph Convolutional Networks on
Imbalanced Node Classification [10.72543417177307]
AdaGCNと呼ばれるアンサンブルモデルを提案する。このモデルでは,アダプティブ・ブーピング時のベース推定にグラフ畳み込みネットワーク(GCN)を用いる。
我々のモデルは、考慮すべきノード分類タスクのすべてにおいて、最先端のベースラインも改善します。
論文 参考訳（メタデータ） (2021-05-25T02:43:31Z) - Label Contrastive Coding based Graph Neural Network for Graph
Classification [9.80278570179994]
ラベル情報をより有効かつ包括的に活用するための,新しいラベルコントラスト符号化に基づくグラフニューラルネットワーク(LCGNN)を提案する。
対照的な学習を促進するため、LCGNNは動的ラベルメモリバンクとモーメント更新エンコーダを導入した。
8つのベンチマークグラフデータセットによる評価は、LCGNNが最先端のグラフ分類モデルを上回ることを証明しています。
論文 参考訳（メタデータ） (2021-01-14T07:45:55Z) - A Collective Learning Framework to Boost GNN Expressiveness [25.394456460032625]
教師付きおよび半教師付き設定におけるグラフニューラルネットワーク(GNN)を用いた帰納ノード分類の課題を考察する。
本稿では,既存のGNNの表現力を高めるための一般集団学習手法を提案する。
実世界の5つのネットワークデータセットの性能評価を行い、ノード分類精度が一貫した顕著な改善を示した。
論文 参考訳（メタデータ） (2020-03-26T22:07:28Z) - Self-Enhanced GNN: Improving Graph Neural Networks Using Model Outputs [20.197085398581397]
グラフニューラルネットワーク(GNN)は最近、グラフベースのタスクにおける優れたパフォーマンスのために、多くの注目を集めている。
本稿では,既存のGNNモデルの出力を用いて,入力データの品質を向上させる自己強化型GNN(SEG)を提案する。
SEGは、GCN、GAT、SGCといったよく知られたGNNモデルのさまざまなデータセットのパフォーマンスを一貫して改善する。
論文 参考訳（メタデータ） (2020-02-18T12:27:16Z)
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。