論文の概要: Open-World Semi-Supervised Learning for Node Classification

• arxiv url: http://arxiv.org/abs/2403.11483v1
• Date: Mon, 18 Mar 2024 05:12:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 16:36:25.755578
• Title: Open-World Semi-Supervised Learning for Node Classification
• Title（参考訳）: ノード分類のためのオープンワールド半教師付き学習
• Authors: Yanling Wang, Jing Zhang, Lingxi Zhang, Lixin Liu, Yuxiao Dong, Cuiping Li, Hong Chen, Hongzhi Yin,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 53.07866559269709
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-world semi-supervised learning (Open-world SSL) for node classification, that classifies unlabeled nodes into seen classes or multiple novel classes, is a practical but under-explored problem in the graph community. As only seen classes have human labels, they are usually better learned than novel classes, and thus exhibit smaller intra-class variances within the embedding space (named as imbalance of intra-class variances between seen and novel classes). Based on empirical and theoretical analysis, we find the variance imbalance can negatively impact the model performance. Pre-trained feature encoders can alleviate this issue via producing compact representations for novel classes. However, creating general pre-trained encoders for various types of graph data has been proven to be challenging. As such, there is a demand for an effective method that does not rely on pre-trained graph encoders. In this paper, we propose an IMbalance-Aware method named OpenIMA for Open-world semi-supervised node classification, which trains the node classification model from scratch via contrastive learning with bias-reduced pseudo labels. Extensive experiments on seven popular graph benchmarks demonstrate the effectiveness of OpenIMA, and the source code has been available on GitHub.
• Abstract（参考訳）: ノード分類のためのオープンワールド半教師あり学習(Open World SSL)は、未ラベルのノードを目に見えるクラスまたは複数の新しいクラスに分類する。 目に見えるクラスだけが人間のラベルを持っているため、通常は新しいクラスよりも学習が良いため、埋め込み空間内でのクラス内分散が小さくなる(目に見えるクラスと新しいクラスの間のクラス内分散の不均衡として命名される)。 実験的および理論的解析により,分散不均衡がモデル性能に悪影響を及ぼすことがわかった。 事前訓練された機能エンコーダは、新しいクラスのためのコンパクトな表現を生成することでこの問題を軽減することができる。 しかし、様々なグラフデータのための一般的な事前学習エンコーダの作成は困難であることが証明されている。 そのため、事前訓練されたグラフエンコーダに依存しない効果的な方法が求められている。 本稿では,オープンワールドにおける半教師付きノード分類のためのオープンIMAというIMバランス対応手法を提案する。 7つの人気のあるグラフベンチマークに関する大規模な実験は、OpenIMAの有効性を示し、ソースコードはGitHubで公開されている。

関連論文リスト

• POWN: Prototypical Open-World Node Classification [6.704529554100875]
  我々は,実世界の半教師付きノード分類の問題を考える。 既存のメソッドは、新しいクラスを検出して拒否するが、異なる新しいクラスを区別することができない。 本稿では,クラスプロトタイプをベースとした,既知のクラスと新しいクラスに分類する,新しいエンドツーエンドアプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-14T11:14:01Z)
• $\mathcal{G}^2Pxy$: Generative Open-Set Node Classification on Graphs with Proxy Unknowns [35.976426549671075]
  本稿では,新しい生成的オープンセットノード分類法,すなわち $mathcalG2Pxy$ を提案する。 トレーニングや検証中に未知のクラスに関する情報が得られない、より厳密な帰納的学習環境に従う。 $mathcalG2Pxy$は未知のクラス検出と既知のクラス分類において優れた効果を達成する。
  論文  参考訳（メタデータ） (2023-08-10T09:42:20Z)
• 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)
• Towards Semi-supervised Universal Graph Classification [6.339931887475018]
  半教師付き普遍グラフ分類の問題について検討する。 ラベルの不足と潜在的なクラスシフトのため、この問題は難しい。 サブグラフの観点からラベル付けされていないデータを最大限に活用する新しいグラフニューラルネットワークフレームワークUGNNを提案する。
  論文  参考訳（メタデータ） (2023-05-31T06:58:34Z)
• Transductive Linear Probing: A Novel Framework for Few-Shot Node Classification [56.17097897754628]
  自己教師付きグラフと対照的な事前学習による帰納的線形探索は、同じプロトコル下での最先端の完全教師付きメタラーニング手法より優れていることを示す。 この研究が、数ショットのノード分類問題に新たな光を当て、グラフ上のわずかにラベル付けされたインスタンスから学ぶことの今後の研究を促進することを願っている。
  論文  参考訳（メタデータ） (2022-12-11T21:10:34Z)
• 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)
• Improving Contrastive Learning on Imbalanced Seed Data via Open-World Sampling [96.8742582581744]
  我々は、Model-Aware K-center (MAK)と呼ばれるオープンワールドなラベルなしデータサンプリングフレームワークを提案する。 MAKは、尾性、近接性、多様性の3つの単純な原則に従う。 我々はMAKが学習した機能の全体的な表現品質とクラスバランス性の両方を継続的に改善できることを実証した。
  論文  参考訳（メタデータ） (2021-11-01T15:09:41Z)
• 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。