論文の概要: Incremental Learning with Concept Drift Detection and Prototype-based Embeddings for Graph Stream Classification
- arxiv url: http://arxiv.org/abs/2404.02572v1
- Date: Wed, 3 Apr 2024 08:47:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 18:00:28.425755
- Title: Incremental Learning with Concept Drift Detection and Prototype-based Embeddings for Graph Stream Classification
- Title（参考訳）: グラフストリーム分類のための概念ドリフト検出とプロトタイプベース埋め込みによるインクリメンタルラーニング
- Authors: Kleanthis Malialis, Jin Li, Christos G. Panayiotou, Marios M. Polycarpou,
- Abstract要約: 本研究は,グラフストリーム分類の新しい手法を提案する。
データ生成プロセスは、時間とともにさまざまなノードとエッジを持つグラフを生成する。
ドリフトの検出時にグラフプロトタイプを再計算するために、ロスベースのコンセプトドリフト検出機構が組み込まれている。
- 参考スコア（独自算出の注目度）: 11.811637154674939
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Data stream mining aims at extracting meaningful knowledge from continually evolving data streams, addressing the challenges posed by nonstationary environments, particularly, concept drift which refers to a change in the underlying data distribution over time. Graph structures offer a powerful modelling tool to represent complex systems, such as, critical infrastructure systems and social networks. Learning from graph streams becomes a necessity to understand the dynamics of graph structures and to facilitate informed decision-making. This work introduces a novel method for graph stream classification which operates under the general setting where a data generating process produces graphs with varying nodes and edges over time. The method uses incremental learning for continual model adaptation, selecting representative graphs (prototypes) for each class, and creating graph embeddings. Additionally, it incorporates a loss-based concept drift detection mechanism to recalculate graph prototypes when drift is detected.
- Abstract（参考訳）: データストリームマイニングは、継続的な進化を続けるデータストリームから有意義な知識を抽出することを目的としており、非定常環境、特に、基礎となるデータ分散の変化を示す概念ドリフトによって引き起こされる課題に対処することを目的としている。
グラフ構造は、重要なインフラストラクチャシステムやソーシャルネットワークなど、複雑なシステムを表現する強力なモデリングツールを提供する。
グラフストリームから学ぶことは、グラフ構造のダイナミクスを理解し、情報的な意思決定を容易にするために必要となる。
本研究では、データ生成プロセスが時間とともに異なるノードとエッジを持つグラフを生成する、一般的な設定の下で機能するグラフストリーム分類の新しい手法を提案する。
この方法は、連続モデル適応のための漸進的な学習、各クラスの代表グラフ(プロトタイプ)の選択、グラフの埋め込みを作成する。
さらに、ドリフト検出時にグラフプロトタイプを再計算するロスベースのコンセプトドリフト検出機構も組み込まれている。
関連論文リスト
- TopER: Topological Embeddings in Graph Representation Learning [8.052380377159398]
トポロジカル進化速度 (TopER) は、トポロジカルデータ解析に基づく低次元埋め込み手法である。
TopERはグラフ部分構造の進化率を計算することによって、重要な位相的アプローチである永続化ホモロジーを単純化する。
我々のモデルは、分類、クラスタリング、可視化といったタスクにおいて、分子、生物学的、ソーシャルネットワークのデータセットにまたがる最先端の結果を達成したり、超えたりします。
論文 参考訳（メタデータ） (2024-10-02T17:31:33Z) - Control-based Graph Embeddings with Data Augmentation for Contrastive Learning [3.250579305400297]
グラフ上に定義された動的ネットワークの制御特性を利用した教師なしグラフ表現学習の課題について検討する。
対照的な学習における重要なステップは、入力グラフから'拡張'グラフを作成することである。
本稿では,ネットワークの制御特性を活用して,これらの拡張グラフを生成するユニークな手法を提案する。
論文 参考訳（メタデータ） (2024-03-07T22:14:04Z) - Graph Learning under Distribution Shifts: A Comprehensive Survey on
Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。
既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。
本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
論文 参考訳（メタデータ） (2024-02-26T07:52:40Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - A Topology-aware Graph Coarsening Framework for Continual Graph Learning [8.136809136959302]
グラフに関する継続的な学習は、グラフデータがストリーミング形式で到着するグラフニューラルネットワーク(GNN)のトレーニングに対処する。
Experience Replayのような従来の継続的学習戦略は、ストリーミンググラフに適応することができる。
本稿では, TA$mathbbCO$, a (t)opology-(a)ware graph (co)arsening and (co)ntinual learning frameworkを提案する。
論文 参考訳（メタデータ） (2024-01-05T22:22:13Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-05-31T11:04:53Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳（メタデータ） (2023-02-06T16:26:29Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - A Complex Network based Graph Embedding Method for Link Prediction [0.0]
本稿では,人気相似性と地域アトラクションのパラダイムに基づく新しいグラフ埋め込み手法を提案する。
実験結果から,提案手法は最先端のグラフ埋め込みアルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-09-11T14:46:38Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳（メタデータ） (2022-05-19T14:08:15Z) - A Graph Data Augmentation Strategy with Entropy Preserving [11.886325179121226]
本稿では,グラフ間の特徴情報を評価するための定量的指標として,新しいグラフエントロピー定義を提案する。
グラフエントロピーの保存を考慮し、摂動機構を用いてトレーニングデータを生成する効果的な方法を提案する。
提案手法はトレーニング過程におけるGCNの堅牢性と一般化能力を大幅に向上させる。
論文 参考訳（メタデータ） (2021-07-13T12:58:32Z)
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。