論文の概要: BuffGraph: Enhancing Class-Imbalanced Node Classification via Buffer Nodes

• arxiv url: http://arxiv.org/abs/2402.13114v1
• Date: Tue, 20 Feb 2024 16:11:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 14:29:14.663314
• Title: BuffGraph: Enhancing Class-Imbalanced Node Classification via Buffer Nodes
• Title（参考訳）: BuffGraph: バッファノードによるクラス不均衡ノード分類の強化
• Authors: Qian Wang, Zemin Liu, Zhen Zhang and Bingsheng He
• Abstract要約: グラフ構造データにおけるクラス不均衡は、グラフニューラルネットワーク(GNN)にとって重要な課題である。 グラフにバッファノードを挿入するBuffGraphを導入し、多数派クラスの影響を調整し、マイナークラス表現を改善する。 実世界の多様なデータセットを対象とした実験により,BuffGraphは,クラス不均衡ノード分類において,既存のベースライン手法よりも優れていたことが実証された。
• 参考スコア（独自算出の注目度）: 41.81470712194631
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Class imbalance in graph-structured data, where minor classes are significantly underrepresented, poses a critical challenge for Graph Neural Networks (GNNs). To address this challenge, existing studies generally generate new minority nodes and edges connecting new nodes to the original graph to make classes balanced. However, they do not solve the problem that majority classes still propagate information to minority nodes by edges in the original graph which introduces bias towards majority classes. To address this, we introduce BuffGraph, which inserts buffer nodes into the graph, modulating the impact of majority classes to improve minor class representation. Our extensive experiments across diverse real-world datasets empirically demonstrate that BuffGraph outperforms existing baseline methods in class-imbalanced node classification in both natural settings and imbalanced settings. Code is available at https://anonymous.4open.science/r/BuffGraph-730A.
• Abstract（参考訳）: グラフ構造化データのクラス不均衡は、マイナーなクラスが著しく不足しているため、グラフニューラルネットワーク(GNN)にとって重要な課題である。 この課題に対処するために、既存の研究は一般的に新しいマイノリティノードを生成し、クラスをバランスさせるために新しいノードと元のグラフを接続するエッジを生成する。 しかし、多数派クラスが多数派クラスに対するバイアスをもたらす元のグラフのエッジによって少数派ノードに情報を伝播するという問題は解決しない。 これを解決するために、バッファノードをグラフに挿入するBuffGraphを導入し、多数派クラスの影響を調整し、マイナークラス表現を改善する。 buffgraphが既存のベースラインメソッドよりも、自然設定と不均衡設定の両方において、クラス不均衡ノードの分類において優れていることを実証的に実証した。 コードはhttps://anonymous.4open.science/r/buffgraph-730aで入手できる。

関連論文リスト

• Open-World Semi-Supervised Learning for Node Classification [53.07866559269709]
  ノード分類のためのオープンワールド半教師付き学習(Open World SSL)は、グラフコミュニティにおいて実用的だが未探索の課題である。 オープンワールド半教師付きノード分類のためのIM Balance-AwareメソッドOpenIMAを提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:12:54Z)
• Heterophily-Based Graph Neural Network for Imbalanced Classification [19.51668009720269]
  グラフの不均衡な分類をグラフヘテロフィリを考慮した一意なアプローチを導入する。 我々は,不均衡な分類戦略をヘテロフィリア認識GNNと統合したFast Im-GBKを提案する。 実世界のグラフに関する我々の実験は、ノード分類タスクの分類性能と効率において、我々のモデルが優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-12T21:19:47Z)
• GraphSHA: Synthesizing Harder Samples for Class-Imbalanced Node Classification [64.85392028383164]
  クラス不均衡は、いくつかのクラスが他のクラスよりもはるかに少ないインスタンスを持つ現象である。 近年の研究では、既成のグラフニューラルネットワーク(GNN)が、マイナーなクラスサンプルを以下に表現することが確認されている。 HArderマイナーサンプルの合成によるGraphSHAの汎用化を提案する。
  論文  参考訳（メタデータ） (2023-06-16T04:05:58Z)
• ReGrAt: Regularization in Graphs using Attention to handle class imbalance [14.322295231579073]
  本研究では,ノード分類の不均衡に注意ネットワークがどう取り組むかを検討する。 また、正規化器を用いてマイノリティノードにより大きな重み付けを割り当てることで、この不均衡を緩和する。 我々は、いくつかの標準引用ベンチマークデータセットの既存の手法よりも、最先端の成果を達成している。
  論文  参考訳（メタデータ） (2022-11-27T09:04:29Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• Geometer: Graph Few-Shot Class-Incremental Learning via Prototype Representation [50.772432242082914]
  既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。 本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。 完全に接続されたニューラルネットワークのクラスを置き換えて再トレーニングする代わりに、Geometerは、最も近いクラスのプロトタイプを見つけることによって、ノードのラベルを予測する。
  論文  参考訳（メタデータ） (2022-05-27T13:02:07Z)
• Imbalanced Graph Classification via Graph-of-Graph Neural Networks [16.589373163769853]
  グラフニューラルネットワーク(GNN)は、グラフの分類ラベルを識別するグラフ表現の学習において、前例のない成功を収めている。 本稿では,グラフ不均衡問題を軽減する新しいフレームワークであるグラフ・オブ・グラフニューラルネットワーク(G$2$GNN)を提案する。 提案したG$2$GNNは,F1-macroとF1-microのスコアにおいて,多くのベースラインを約5%上回る性能を示した。
  論文  参考訳（メタデータ） (2021-12-01T02:25:47Z)
• GraphMixup: Improving Class-Imbalanced Node Classification on Graphs by Self-supervised Context Prediction [25.679620842010422]
  本稿では,グラフ上のクラス不均衡ノード分類を改善するための新しい混合フレームワークであるGraphMixupを提案する。 我々は,これらのマイノリティクラスに対する混合によって生成されるサンプル数を適応的に決定するEmphReinforcement Mixupメカニズムを開発した。 3つの実世界のデータセットの実験により、GraphMixupはクラス不均衡なノード分類タスクに対して真に励まされる結果が得られることが示された。
  論文  参考訳（メタデータ） (2021-06-21T14:12:16Z)
• Graph Classification by Mixture of Diverse Experts [67.33716357951235]
  我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。 GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。 実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-29T14:03:03Z)

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。