Fugu-MT 論文翻訳(概要): IntraMix: Intra-Class Mixup Generation for Accurate Labels and Neighbors

論文の概要: IntraMix: Intra-Class Mixup Generation for Accurate Labels and Neighbors

arxiv url: http://arxiv.org/abs/2405.00957v1
Date: Thu, 2 May 2024 02:38:32 GMT
ステータス: 処理完了
システム内更新日: 2024-05-03 18:04:13.464401
Title: IntraMix: Intra-Class Mixup Generation for Accurate Labels and Neighbors
Title（参考訳）: イントラミクス:正確なラベルと隣人のためのクラス内混合生成
Authors: Shenghe Zheng, Hongzhi Wang, Xianglong Liu,
Abstract要約: グラフニューラルネットワーク(GNN)は、近隣情報を集約し、ラベルから学習するという中核的な考え方で、グラフ上での優れたパフォーマンスを示す。ほとんどのグラフデータセットで一般的な課題は、不十分なハイクオリティラベルと近隣のLack of Neborhoodsであり、結果としてGNNが弱くなる。この2つの課題を同時に解決するために,IntraMixと呼ばれるエレガントな手法を提案する。
参考スコア（独自算出の注目度）: 15.281223268780694
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph Neural Networks (GNNs) demonstrate excellent performance on graphs, with their core idea about aggregating neighborhood information and learning from labels. However, the prevailing challenges in most graph datasets are twofold of Insufficient High-Quality Labels and Lack of Neighborhoods, resulting in weak GNNs. Existing data augmentation methods designed to address these two issues often tackle only one. They may either require extensive training of generators, rely on overly simplistic strategies, or demand substantial prior knowledge, leading to suboptimal generalization abilities. To simultaneously address both of these two challenges, we propose an elegant method called IntraMix. IntraMix innovatively employs Mixup among low-quality labeled data of the same class, generating high-quality labeled data at minimal cost. Additionally, it establishes neighborhoods for the generated data by connecting them with data from the same class with high confidence, thereby enriching the neighborhoods of graphs. IntraMix efficiently tackles both challenges faced by graphs and challenges the prior notion of the limited effectiveness of Mixup in node classification. IntraMix serves as a universal framework that can be readily applied to all GNNs. Extensive experiments demonstrate the effectiveness of IntraMix across various GNNs and datasets.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は,周辺情報を集約し,ラベルから学習するという,グラフ上での優れたパフォーマンスを示す。しかし、ほとんどのグラフデータセットにおける一般的な課題は、不十分な高品質ラベルと近隣のラックの2倍であり、結果としてGNNが弱くなる。これら2つの問題に対処するために設計された既存のデータ拡張手法は、しばしば1つだけに対処する。ジェネレータの広範な訓練が必要か、過度に単純化戦略に依存しているか、あるいはかなりの事前知識を要求するかのいずれかで、最適でない一般化能力に繋がる。これら2つの課題を同時に解決するために,IntraMixと呼ばれるエレガントな手法を提案する。イントラミクスは、同じクラスの低品質ラベル付きデータの中でMixupを革新的に採用し、最小コストで高品質ラベル付きデータを生成する。さらに、同一クラスのデータを高い信頼性で接続することで、生成されたデータの近傍を確立し、グラフの近傍を豊かにする。イントラミクスはグラフが直面する2つの課題に効果的に取り組み、ノード分類におけるミックスアップの限定的な有効性という事前概念に挑戦する。イントラMixは、すべてのGNNに容易に適用可能な普遍的なフレームワークとして機能する。大規模な実験では、様々なGNNやデータセットにまたがるイントラMixの有効性が示されている。

関連論文リスト

GeoMix: Towards Geometry-Aware Data Augmentation [76.09914619612812]
Mixupは画像分類におけるラベル付き限られたデータによる課題の緩和にかなりの成功を収めている。 In-place graph editing を利用した簡易かつ解釈可能な混合手法 Geometric Mixup (GeoMix) を提案する。
論文参考訳（メタデータ） (2024-07-15T12:58:04Z)
NodeMixup: Tackling Under-Reaching for Graph Neural Networks [27.393295683072406]
グラフニューラルネットワーク(GNN)は,半教師付きノード分類問題の解法として主流となっている。グラフ内のラベル付きノードの位置分布が不均一であるため、ラベル付きノードはラベルなしノードのごく一部にしかアクセスできないため、アンファンダーリーチングの問題が発生する。 GNNのアンダーリーチングに取り組むために,NodeMixupと呼ばれるアーキテクチャに依存しない手法を提案する。
論文参考訳（メタデータ） (2023-12-20T13:56:27Z)
S-Mixup: Structural Mixup for Graph Neural Networks [18.681950665186005]
構造混合(S-Mixup)と呼ばれるノード分類のための新しいミックスアップ拡張を提案する。 S-Mixupはグラフニューラルネットワーク(GNN)分類器を介して、グラフ内のラベルなしノードの擬似ラベルと予測信頼度を取得する。ノード分類タスクで評価したS-Mixupの有効性を示す。
論文参考訳（メタデータ） (2023-08-16T02:08:46Z)
Graph Mixup with Soft Alignments [49.61520432554505]
本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
論文参考訳（メタデータ） (2023-06-11T22:04:28Z)
Graph Mixture of Experts: Learning on Large-Scale Graphs with Explicit Diversity Modeling [60.0185734837814]
グラフニューラルネットワーク(GNN)は、グラフデータからの学習に広く応用されている。 GNNの一般化能力を強化するため、グラフ強化のような技術を用いて、トレーニンググラフ構造を増強することが慣例となっている。本研究では,GNNにMixture-of-Experts(MoE)の概念を導入する。
論文参考訳（メタデータ） (2023-04-06T01:09:36Z)
A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-16T22:46:33Z)
G-Mixup: Graph Data Augmentation for Graph Classification [55.63157775049443]
Mixupは、2つのランダムサンプル間の特徴とラベルを補間することにより、ニューラルネットワークの一般化とロバスト性を改善する上で優位性を示している。グラフ分類のためのグラフを増補するために$mathcalG$-Mixupを提案し、グラフの異なるクラスのジェネレータ(すなわちグラフ)を補間する。実験により、$mathcalG$-MixupはGNNの一般化とロバスト性を大幅に改善することが示された。
論文参考訳（メタデータ） (2022-02-15T04:09:44Z)
Intrusion-Free Graph Mixup [33.07540841212878]
グラフニューラルネットワーク(GNN)の一般化を改善するための,単純かつ効果的な正規化手法を提案する。視覚とテキストのためのMixup regularizerの最近の進歩を利用して、ランダムなサンプルペアとそのラベルを補間して、トレーニング用の合成サンプルを作成する。提案手法は,グラフ分類学習を効果的に正規化することが可能であり,一般的なグラフ拡張ベースラインよりも予測精度が優れている。
論文参考訳（メタデータ） (2021-10-18T14:16:00Z)
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)
Exploiting Heterogeneous Graph Neural Networks with Latent Worker/Task Correlation Information for Label Aggregation in Crowdsourcing [72.34616482076572]
クラウドソーシングは専門家ではなく、専門家でない労働者からラベルを集めるのに便利であることから、多くの注目を集めている。群集ラベルを集約するグラフニューラルネットワークに基づく新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-10-25T10:12:37Z)

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。