論文の概要: POWN: Prototypical Open-World Node Classification

• arxiv url: http://arxiv.org/abs/2406.09926v1
• Date: Fri, 14 Jun 2024 11:14:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-17 14:05:00.621097
• Title: POWN: Prototypical Open-World Node Classification
• Title（参考訳）: POWN: プロトタイプなオープンワールドノード分類
• Authors: Marcel Hoffmann, Lukas Galke, Ansgar Scherp,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.704529554100875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of \textit{true} open-world semi-supervised node classification, in which nodes in a graph either belong to known or new classes, with the latter not present during training. Existing methods detect and reject new classes but fail to distinguish between different new classes. We adapt existing methods and show they do not solve the problem sufficiently. We introduce a novel end-to-end approach for classification into known classes and new classes based on class prototypes, which we call Prototypical Open-World Learning for Node Classification (POWN). Our method combines graph semi-supervised learning, self-supervised learning, and pseudo-labeling to learn prototype representations of new classes in a zero-shot way. In contrast to existing solutions from the vision domain, POWN does not require data augmentation techniques for node classification. Experiments on benchmark datasets demonstrate the effectiveness of POWN, where it outperforms baselines by up to $20\%$ accuracy on the small and up to $30\%$ on the large datasets. Source code is available at https://github.com/Bobowner/POWN.
• Abstract（参考訳）: グラフ内のノードが既知のクラスか新しいクラスに属し、後者がトレーニング中に存在しないような、オープンワールドな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。 既存の手法に適応し、問題が十分に解決されていないことを示す。 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。 本手法は, グラフ半教師付き学習, 自己教師付き学習, 擬似ラベルを組み合わせることで, ゼロショット方式で新しいクラスのプロトタイプ表現を学習する。 ビジョン領域の既存のソリューションとは対照的に、POWNはノード分類のためのデータ拡張技術を必要としない。 ベンチマークデータセットの実験では、POWNの有効性が示されており、小さなデータセットでは最大20\%、大きなデータセットでは最大30\%の精度でベースラインを上回ります。 ソースコードはhttps://github.com/Bobowner/POWN.comで入手できる。

関連論文リスト

• Inductive Graph Few-shot Class Incremental Learning [34.19083477893245]
  本稿では,新しいノードを持つ新しいクラスを継続的に学習するインダクティブGFSCILを提案する。 トランスダクティブGFSCILと比較して、インダクティブ設定は、アクセス不能な先行データにより破滅的忘れを悪化させる。 そこで我々はTopology-based class Augmentation and Prototype calibrationと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T00:06:20Z)
• 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)
• $\mathcal{G}^2Pxy$: 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)
• Class Incremental Learning with Self-Supervised Pre-Training and Prototype Learning [21.901331484173944]
  授業の段階的学習における破滅的忘れの原因を分析した。 固定エンコーダと漸進的に更新されたプロトタイプ分類器を備えた2段階学習フレームワークを提案する。 本手法は古いクラスを保存したサンプルに頼らず,非例ベースのCIL法である。
  論文  参考訳（メタデータ） (2023-08-04T14:20:42Z)
• Contrastive Meta-Learning for Few-shot Node Classification [54.36506013228169]
  少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。 グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
  論文  参考訳（メタデータ） (2023-06-27T02:22:45Z)
• Neural Collapse Inspired Feature-Classifier Alignment for Few-Shot Class Incremental Learning [120.53458753007851]
  FSCIL(Few-shot class-incremental Learning)は、新しいセッションにおいて、新しいクラスごとにいくつかのトレーニングサンプルしかアクセスできないため、難しい問題である。 我々は最近発見された神経崩壊現象にインスパイアされたFSCILのこの不整合ジレンマに対処する。 我々は、FSCILのための神経崩壊誘発フレームワークを提案する。MiniImageNet、CUB-200、CIFAR-100データセットの実験により、提案したフレームワークが最先端のパフォーマンスより優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-06T18:39:40Z)
• 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)
• Zero-shot Node Classification with Decomposed Graph Prototype Network [33.24920910739568]
  2段階の性質を持つゼロショットノード分類(ZNC)問題について検討する。 最初の段階では,実クラス関係を推定した定量的CSD評価戦略を提案する。 第2段階では,DGPN(Decomposed Graph Prototype Network)方式を提案する。
  論文  参考訳（メタデータ） (2021-06-15T10:13:20Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)
• SCAN: Learning to Classify Images without Labels [73.69513783788622]
  機能学習とクラスタリングを分離する2段階のアプローチを提唱する。 表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。 我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
  論文  参考訳（メタデータ） (2020-05-25T18:12:33Z)

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。