論文の概要: Edge Classification on Graphs: New Directions in Topological Imbalance

• arxiv url: http://arxiv.org/abs/2406.11685v1
• Date: Mon, 17 Jun 2024 16:02:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 13:53:20.930474
• Title: Edge Classification on Graphs: New Directions in Topological Imbalance
• Title（参考訳）: グラフ上のエッジ分類:トポロジ的不均衡の新しい方向
• Authors: Xueqi Cheng, Yu Wang, Yunchao, Liu, Yuying Zhao, Charu C. Aggarwal, Tyler Derr,
• Abstract要約: 異なるクラスにまたがるエッジの歪んだ分布から生じる新しいトポロジカル不均衡問題」を同定する。 本稿では,各エッジのトポロジ的不均衡を測定する新しいトポロジ的指標であるトポロジカルエントロピー(TE)を紹介する。 TEをベースとした(合成)エッジのトレーニングに重点を置くため、トポロジカルリウェイトリングとTEウェッジベースのMixupという2つの戦略を開発した。
• 参考スコア（独自算出の注目度）: 50.0052167106548
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent years have witnessed the remarkable success of applying Graph machine learning (GML) to node/graph classification and link prediction. However, edge classification task that enjoys numerous real-world applications such as social network analysis and cybersecurity, has not seen significant advancement. To address this gap, our study pioneers a comprehensive approach to edge classification. We identify a novel `Topological Imbalance Issue', which arises from the skewed distribution of edges across different classes, affecting the local subgraph of each edge and harming the performance of edge classifications. Inspired by the recent studies in node classification that the performance discrepancy exists with varying local structural patterns, we aim to investigate if the performance discrepancy in topological imbalanced edge classification can also be mitigated by characterizing the local class distribution variance. To overcome this challenge, we introduce Topological Entropy (TE), a novel topological-based metric that measures the topological imbalance for each edge. Our empirical studies confirm that TE effectively measures local class distribution variance, and indicate that prioritizing edges with high TE values can help address the issue of topological imbalance. Based on this, we develop two strategies - Topological Reweighting and TE Wedge-based Mixup - to focus training on (synthetic) edges based on their TEs. While topological reweighting directly manipulates training edge weights according to TE, our wedge-based mixup interpolates synthetic edges between high TE wedges. Ultimately, we integrate these strategies into a novel topological imbalance strategy for edge classification: TopoEdge. Through extensive experiments, we demonstrate the efficacy of our proposed strategies on newly curated datasets and thus establish a new benchmark for (imbalanced) edge classification.
• Abstract（参考訳）: 近年、ノード/グラフ分類とリンク予測にグラフ機械学習(GML)を適用することで、目覚ましい成功を収めている。 しかし、ソーシャルネットワーク分析やサイバーセキュリティなど、多くの現実世界の応用を享受するエッジ分類タスクは、大きな進歩をみていない。 このギャップに対処するため、我々の研究はエッジ分類への包括的アプローチを開拓した。 本稿では,各エッジの局所部分グラフに影響を及ぼし,エッジ分類の性能を損なうような,異なるクラスにまたがるエッジの歪んだ分布から生じる新しい「トポロジカル不均衡問題」を同定する。 局所構造パターンの異なるノード分類における性能差が存在するという最近の研究に着想を得て,位相的不均衡エッジ分類における性能差も局所クラス分布の分散を特徴付けることで緩和できるかどうかを検討することを目的とする。 この課題を克服するために,各エッジのトポロジ的不均衡を測定する新しいトポロジ的指標であるトポロジカルエントロピー(TE)を導入する。 実験により,TEは局所クラス分布の分散を効果的に測定し,高いTE値を持つエッジの優先順位付けがトポロジ的不均衡の問題に対処できることを示す。 そこで我々は,Topological Reweighting と TE Wedge-based Mixup という2つの戦略を開発し,TE に基づく(合成)エッジのトレーニングに焦点をあてる。 トポロジカルリウェイトは、TEに従ってトレーニングエッジを直接操作するが、このウィッジをベースとしたミックスアップは、高いTEウェッジ間の合成エッジを補間する。 最終的に、これらの戦略をエッジ分類のための新しいトポロジ的不均衡戦略、TopoEdgeに統合する。 広範にわたる実験を通じて,新たにキュレートされたデータセットに対する提案手法の有効性を実証し,(不均衡な)エッジ分類のための新しいベンチマークを確立する。

関連論文リスト

• When Witnesses Defend: A Witness Graph Topological Layer for Adversarial Graph Learning [19.566775406771757]
  逆グラフ学習を計算トポロジー、すなわちグラフの永続的ホモロジー表現から新たなツールで橋渡しする。 グラフ上の逆解析において、グラフ全体の位相情報の損失を最小限に抑えながら、グラフの健全な形状特性にのみ焦点をあてることのできる証人複体の概念を導入する。 証人機構を組み込んだWitness Graph Topological Layer (WGTL) を設計し、局所的およびグローバルなトポロジカルグラフの特徴表現を体系的に統合し、その影響を頑健な正規化されたトポロジ的損失によって自動的に制御する。
  論文  参考訳（メタデータ） (2024-09-21T14:53:32Z)
• Enhancing the Resilience of Graph Neural Networks to Topological Perturbations in Sparse Graphs [9.437128738619563]
  本稿では,トポロジ駆動ラベル伝搬,ベイズラベル遷移,ランダムウォークによるリンク解析を組み合わせた新しいラベル推論フレームワークTraTopoを提案する。 TraTopoは、ランダムウォークサンプリング(特にリンク予測のために孤立ノードをターゲットとする)を活用することで、スパースグラフの先駆者を大幅に上回っている。 経験的評価では、ノード分類におけるTraTopoの優位性が強調され、現在のGCNモデルよりも精度が高い。
  論文  参考訳（メタデータ） (2024-06-05T09:40:08Z)
• ADEdgeDrop: Adversarial Edge Dropping for Robust Graph Neural Networks [53.41164429486268]
  グラフニューラルネットワーク(GNN)は、近隣ノードからグラフ構造化情報を収集する強力な能力を示した。 GNNの性能は、ノイズや冗長なグラフデータによって引き起こされる一般化の貧弱さと脆弱な堅牢性によって制限される。 本稿では,エッジの除去を誘導する対向エッジ予測器を利用する新しい対向エッジドロップ法 (ADEdgeDrop) を提案する。
  論文  参考訳（メタデータ） (2024-03-14T08:31:39Z)
• Subsidiary Prototype Alignment for Universal Domain Adaptation [58.431124236254]
  Universal Domain Adaptation (UniDA)の大きな問題は、"known"クラスと"unknown"クラスの誤調整である。 ゴールタスクUniDAと協調して動作するクローズドセットSPAを実現するために,新しい単語ヒストグラム関連プレテキストタスクを提案する。 既存のUniDA技術上でのアプローチの有効性を実証し,3つの標準UniDAおよびOpen-Set DAオブジェクト認識ベンチマークの最先端性能を示す。
  論文  参考訳（メタデータ） (2022-10-28T05:32:14Z)
• Position-aware Structure Learning for Graph Topology-imbalance by Relieving Under-reaching and Over-squashing [67.83086131278904]
  トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。 PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。 私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
  論文  参考訳（メタデータ） (2022-08-17T14:04:21Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• A Deep-Discrete Learning Framework for Spherical Surface Registration [4.7633236054762875]
  皮質表面の登録は神経画像解析の基本的なツールである。 本稿では,登録を多ラベル分類問題に変換する,教師なし学習に基づく新しいフレームワークを提案する。 実験により,提案するフレームワークは,最もポピュラーな古典的表面登録アルゴリズムと比較して,類似性やアラル歪みの点で競合的に動作することが示された。
  論文  参考訳（メタデータ） (2022-03-24T11:47:11Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)

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。