論文の概要: Core Knowledge Learning Framework for Graph Adaptation and Scalability Learning
- arxiv url: http://arxiv.org/abs/2407.01886v1
- Date: Tue, 2 Jul 2024 02:16:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-03 17:03:34.752766
- Title: Core Knowledge Learning Framework for Graph Adaptation and Scalability Learning
- Title(参考訳): グラフ適応とスケーラビリティ学習のためのコア知識学習フレームワーク
- Authors: Bowen Zhang, Zhichao Huang, Genan Dai, Guangning Xu, Xiaomao Fan, Hu Huang,
- Abstract要約: グラフ分類は、多様な予測タスクへの適応、複数のターゲットドメインでのトレーニング、小さなサンプル予測シナリオの処理など、いくつかのハードルに直面している。
本手法は,様々なタスクからの洞察を取り入れることで,グラフ分類における適応性,拡張性,一般化性を向上させることを目的とする。
実験の結果, 最先端手法と比較して, 提案手法による性能向上が顕著であった。
- 参考スコア(独自算出の注目度): 7.239264041183283
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Graph classification is a pivotal challenge in machine learning, especially within the realm of graph-based data, given its importance in numerous real-world applications such as social network analysis, recommendation systems, and bioinformatics. Despite its significance, graph classification faces several hurdles, including adapting to diverse prediction tasks, training across multiple target domains, and handling small-sample prediction scenarios. Current methods often tackle these challenges individually, leading to fragmented solutions that lack a holistic approach to the overarching problem. In this paper, we propose an algorithm aimed at addressing the aforementioned challenges. By incorporating insights from various types of tasks, our method aims to enhance adaptability, scalability, and generalizability in graph classification. Motivated by the recognition that the underlying subgraph plays a crucial role in GNN prediction, while the remainder is task-irrelevant, we introduce the Core Knowledge Learning (\method{}) framework for graph adaptation and scalability learning. \method{} comprises several key modules, including the core subgraph knowledge submodule, graph domain adaptation module, and few-shot learning module for downstream tasks. Each module is tailored to tackle specific challenges in graph classification, such as domain shift, label inconsistencies, and data scarcity. By learning the core subgraph of the entire graph, we focus on the most pertinent features for task relevance. Consequently, our method offers benefits such as improved model performance, increased domain adaptability, and enhanced robustness to domain variations. Experimental results demonstrate significant performance enhancements achieved by our method compared to state-of-the-art approaches.
- Abstract(参考訳): グラフ分類は、特にグラフベースのデータ領域における機械学習における重要な課題であり、ソーシャルネットワーク分析、レコメンデーションシステム、バイオインフォマティクスといった多くの現実世界のアプリケーションにおいて重要である。
その重要性にもかかわらず、グラフ分類は、多様な予測タスクへの適応、複数のターゲットドメイン間のトレーニング、小さなサンプル予測シナリオの処理など、いくつかのハードルに直面している。
現在の手法は、しばしば個別にこれらの課題に取り組み、全体的問題に対する全体論的アプローチを欠いた断片化されたソリューションに繋がる。
本稿では,上記の課題に対処するアルゴリズムを提案する。
本手法は,様々なタスクからの洞察を取り入れることで,グラフ分類における適応性,拡張性,一般化性を向上させることを目的とする。
基礎となる部分グラフがGNN予測において重要な役割を担っていると認識され、残りはタスク非関連である一方で、グラフ適応と拡張性学習のためのコア知識学習(\method{})フレームワークを導入している。
\method{}は、コアサブグラフ知識サブモジュール、グラフドメイン適応モジュール、下流タスクのための数ショット学習モジュールなど、いくつかの重要なモジュールから構成されている。
各モジュールは、ドメインシフト、ラベルの不整合、データの不足など、グラフ分類における特定の課題に取り組むように調整されている。
グラフ全体の中核部分グラフを学習することにより、タスク関連性に関する最も適切な機能に焦点を当てる。
その結果、モデル性能の向上、ドメイン適応性の向上、ドメインの変動に対する堅牢性の向上といった利点が得られた。
実験の結果, 最先端手法と比較して, 提案手法による性能向上が顕著であった。
関連論文リスト
- Can Graph Learning Improve Task Planning? [61.47027387839096]
タスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。
本稿では,タスク計画のためのグラフ学習に基づく手法について検討する。
提案手法は、改良されたプロンプトや微調整モデルにより、さらなる性能向上を図り、プロンプトエンジニアリングと微調整技術を補完する。
論文 参考訳(メタデータ) (2024-05-29T14:26:24Z) - OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
本研究では,多種多様なグラフデータに存在する複雑なトポロジ的パターンを理解するための一般グラフ基盤モデルを構築した。
本稿では,グラフモデルに統一的なグラフトークン化手法を提案する。
また,グローバルなトポロジ的コンテキスト内のノード依存性を効果的にキャプチャするスケーラブルなグラフ変換器を開発した。
論文 参考訳(メタデータ) (2024-03-02T08:05:03Z) - 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) - Universal Graph Continual Learning [22.010954622073598]
タスクの各データポイントがノードかグラフになり得る普遍的なアプローチに注目し、タスクはノードからグラフの分類まで様々である。
本稿では,この普遍的な設定において,グラフニューラルネットワークが優れる新しい手法を提案する。
論文 参考訳(メタデータ) (2023-08-27T01:19:19Z) - GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。
我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
論文 参考訳(メタデータ) (2023-04-06T03:02:54Z) - 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 Comprehensive Analytical Survey on Unsupervised and Semi-Supervised
Graph Representation Learning Methods [4.486285347896372]
本調査は,グラフ埋め込み手法のすべての主要なクラスを評価することを目的としている。
我々は,手動の特徴工学,行列分解,浅部ニューラルネットワーク,深部グラフ畳み込みネットワークなどの手法を含む分類学を用いてグラフ埋め込み手法を編成した。
我々はPyTorch GeometricおよびDGLライブラリ上で実験を設計し、異なるマルチコアCPUおよびGPUプラットフォーム上で実験を行った。
論文 参考訳(メタデータ) (2021-12-20T07:50:26Z) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳(メタデータ) (2021-02-14T05:28:13Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳(メタデータ) (2020-06-17T16:18:35Z)
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。