論文の概要: GeoMix: Towards Geometry-Aware Data Augmentation

• arxiv url: http://arxiv.org/abs/2407.10681v1
• Date: Mon, 15 Jul 2024 12:58:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 15:21:26.975455
• Title: GeoMix: Towards Geometry-Aware Data Augmentation
• Title（参考訳）: GeoMix:Geometry-Aware Data Augmentationを目指して
• Authors: Wentao Zhao, Qitian Wu, Chenxiao Yang, Junchi Yan,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 76.09914619612812
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mixup has shown considerable success in mitigating the challenges posed by limited labeled data in image classification. By synthesizing samples through the interpolation of features and labels, Mixup effectively addresses the issue of data scarcity. However, it has rarely been explored in graph learning tasks due to the irregularity and connectivity of graph data. Specifically, in node classification tasks, Mixup presents a challenge in creating connections for synthetic data. In this paper, we propose Geometric Mixup (GeoMix), a simple and interpretable Mixup approach leveraging in-place graph editing. It effectively utilizes geometry information to interpolate features and labels with those from the nearby neighborhood, generating synthetic nodes and establishing connections for them. We conduct theoretical analysis to elucidate the rationale behind employing geometry information for node Mixup, emphasizing the significance of locality enhancement-a critical aspect of our method's design. Extensive experiments demonstrate that our lightweight Geometric Mixup achieves state-of-the-art results on a wide variety of standard datasets with limited labeled data. Furthermore, it significantly improves the generalization capability of underlying GNNs across various challenging out-of-distribution generalization tasks. Our code is available at https://github.com/WtaoZhao/geomix.
• Abstract（参考訳）: 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。 特徴とラベルの補間を通じてサンプルを合成することにより、Mixupはデータ不足の問題に効果的に対処する。 しかし、グラフデータの不規則性や接続性のため、グラフ学習タスクでの研究はめったに行われていない。 具体的には、ノード分類タスクにおいて、Mixupは合成データの接続を作成する上での課題である。 本稿では,GeoMix(GeoMix)を提案する。 幾何学情報を効果的に利用し、周辺地域の特徴やラベルを補間し、合成ノードを生成し、それらの接続を確立する。 本研究では,ノードミックスアップにおける幾何情報の利用の背景となる理論的根拠を解明するために理論的解析を行い,局所性向上の重要性を強調した。 大規模な実験により、私たちの軽量なGeometric Mixupは、ラベル付きデータに制限のある、さまざまな標準データセットに対して最先端の結果を達成しています。 さらに,GNNの一般化能力は,様々な難解なアウト・オブ・ディストリビューション一般化タスクで大幅に向上する。 私たちのコードはhttps://github.com/WtaoZhao/geomix.comで利用可能です。

関連論文リスト

• DA-MoE: Addressing Depth-Sensitivity in Graph-Level Analysis through Mixture of Experts [70.21017141742763]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理することで人気を集めている。 既存のメソッドは通常、固定数のGNNレイヤを使用して、すべてのグラフの表現を生成する。 本稿では,GNNに2つの改良を加えたDA-MoE法を提案する。
  論文  参考訳（メタデータ） (2024-11-05T11:46:27Z)
• IntraMix: Intra-Class Mixup Generation for Accurate Labels and Neighbors [15.281223268780694]
  グラフニューラルネットワーク(GNN)は、様々なタスクにおいて優れたパフォーマンスを示している。 グラフの一般的な課題は、ノードの正確な(高品質な)ラベルと限られた隣り合うラベルである。 既存のグラフ拡張手法は通常、これらの課題の1つにのみ対処する。 両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。
  論文  参考訳（メタデータ） (2024-05-02T02:38:32Z)
• Graph Invariant Learning with Subgraph Co-mixup for Out-Of-Distribution Generalization [51.913685334368104]
  本稿では,変分パターンと変分パターンの混合戦略に基づく新しいグラフ不変学習手法を提案する。 本手法は, 各種分布シフト下での最先端性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-12-18T07:26:56Z)
• 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 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)
• Deep Graph Clustering via Mutual Information Maximization and Mixture Model [6.488575826304023]
  クラスタリングに親しみやすいノード埋め込みを学習するための対照的な学習フレームワークを導入する。 実世界のデータセットを用いた実験により,コミュニティ検出における本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-05-10T21:03:55Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• 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)
• Graph Transplant: Node Saliency-Guided Graph Mixup with Local Structure Preservation [27.215800308343322]
  グラフトランスポート(Graph Transplant)と呼ばれるグラフレベルでMixupライクなグラフ拡張手法を提案する。 本手法では, 局所情報を保存可能な混合単位としてサブ構造を同定する。 複数のグラフ分類ベンチマークデータセットを用いて,多様なGNNアーキテクチャを用いて提案手法を広範囲に検証する。
  論文  参考訳（メタデータ） (2021-11-10T11:10:13Z)
• Graphs, Entities, and Step Mixture [11.162937043309478]
  エッジベース近傍関係とノードベース実体特徴の両方を考慮した新しいグラフニューラルネットワークを提案する。 集約的な実験により,提案したGESMは,8つのベンチマークグラフデータセット上で,最先端または同等のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-05-18T06:57:02Z)

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。