論文の概要: Unraveling the Impact of Heterophilic Structures on Graph Positive-Unlabeled Learning

• arxiv url: http://arxiv.org/abs/2405.19919v1
• Date: Thu, 30 May 2024 10:30:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-31 14:47:58.287984
• Title: Unraveling the Impact of Heterophilic Structures on Graph Positive-Unlabeled Learning
• Title（参考訳）: グラフ陽性学習における不テロ親和性構造の影響の解明
• Authors: Yuhao Wu, Jiangchao Yao, Bo Han, Lina Yao, Tongliang Liu,
• Abstract要約: 実世界の多くのシナリオにおいて、肯定的無ラベル(PU)学習は不可欠であるが、そのグラフデータへの応用は未探索のままである。 グラフ上でのPU学習において重要な課題がエッジヘテロフィリーにあり、クラスプライア推定の既約性前提に直接違反していることを明らかにする。 この課題に対応するために,ラベル伝搬損失(GPL)を用いたグラフPU学習という新しい手法を導入する。
• 参考スコア（独自算出の注目度）: 71.9954600831939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While Positive-Unlabeled (PU) learning is vital in many real-world scenarios, its application to graph data still remains under-explored. We unveil that a critical challenge for PU learning on graph lies on the edge heterophily, which directly violates the irreducibility assumption for Class-Prior Estimation (class prior is essential for building PU learning algorithms) and degenerates the latent label inference on unlabeled nodes during classifier training. In response to this challenge, we introduce a new method, named Graph PU Learning with Label Propagation Loss (GPL). Specifically, GPL considers learning from PU nodes along with an intermediate heterophily reduction, which helps mitigate the negative impact of the heterophilic structure. We formulate this procedure as a bilevel optimization that reduces heterophily in the inner loop and efficiently learns a classifier in the outer loop. Extensive experiments across a variety of datasets have shown that GPL significantly outperforms baseline methods, confirming its effectiveness and superiority.
• Abstract（参考訳）: Positive-Unlabeled (PU) 学習は多くの実世界のシナリオにおいて不可欠であるが、グラフデータへの応用はいまだ未探索のままである。 グラフ上でのPU学習における重要な課題はエッジヘテロフィリー上にあり、クラスプライア推定(PU学習アルゴリズムを構築する上では、クラス先行が必須)の既約性仮定に直接違反し、未ラベルノード上の潜在ラベル推論をクラス化学習中に退避させる。 この課題に対応するために,ラベル伝搬損失を用いたグラフPU学習(Graph PU Learning with Label Propagation Loss, GPL)という新しい手法を導入する。 具体的には、GPLはPUノードからの学習と中間的ヘテロフィリ還元を考慮し、ヘテロ親和性構造の負の影響を軽減する。 この手順は、内部ループにおける不均一性を低減し、外部ループにおける分類器を効率的に学習する二段階最適化として定式化する。 さまざまなデータセットにわたる大規模な実験により、GPLはベースラインメソッドを大幅に上回っており、その有効性と優位性を確認している。

関連論文リスト

• ERASE: Error-Resilient Representation Learning on Graphs for Label Noise Tolerance [53.73316938815873]
  本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。 ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。 提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
  論文  参考訳（メタデータ） (2023-12-13T17:59:07Z)
• Positive-Unlabeled Node Classification with Structure-aware Graph Learning [40.476865943437055]
  既存の研究は、グラフ構造における正の未ラベル(PU)ノード分類情報に関するものである。 グラフにホモフィリーを用いてより正確な監視を行う距離対応PU損失を提案する。 また、モデルとグラフ構造を整合させる正規化器を提案する。
  論文  参考訳（メタデータ） (2023-10-20T14:32:54Z)
• Class Prior-Free Positive-Unlabeled Learning with Taylor Variational Loss for Hyperspectral Remote Sensing Imagery [12.54504113062557]
  高スペクトルリモートセンシング画像(HSI)における正非ラベル学習(PU学習)は、正および未ラベルのデータから二値分類器を学習することを目的としている。 本稿では,HSI PU学習におけるテイラー変分損失を提案する。 7つのベンチマークデータセット(合計21タスク)の実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2023-08-29T07:29:30Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Learning from Label Proportions by Learning with Label Noise [30.7933303912474]
  ラベル比例(LLP)からの学習は、データポイントをバッグに分類する弱い教師付き分類問題である。 ラベル雑音による学習の低減に基づくLLPに対する理論的基礎的なアプローチを提案する。 このアプローチは、複数のデータセットやアーキテクチャにわたるディープラーニングシナリオにおける経験的パフォーマンスの向上を実証する。
  論文  参考訳（メタデータ） (2022-03-04T18:52:21Z)
• Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
  本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。 CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。 特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
  論文  参考訳（メタデータ） (2020-11-24T02:55:40Z)

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。