Fugu-MT 論文翻訳(概要): Hound: Hunting Supervision Signals for Few and Zero Shot Node Classification on Text-attributed Graph

論文の概要: Hound: Hunting Supervision Signals for Few and Zero Shot Node Classification on Text-attributed Graph

arxiv url: http://arxiv.org/abs/2409.00727v1
Date: Sun, 1 Sep 2024 14:20:01 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 11:36:58.111854
Title: Hound: Hunting Supervision Signals for Few and Zero Shot Node Classification on Text-attributed Graph
Title（参考訳）: ハウンド:テキスト属性グラフによる少数・ゼロショットノード分類のためのスーパービジョン信号の探索
Authors: Yuxiang Wang, Xiao Yan, Shiyu Jin, Quanqing Xu, Chuanhui Yang, Yuanyuan Zhu, Chuang Hu, Bo Du, Jiawei Jiang,
Abstract要約: テキスト分散グラフ(英: Text-attributed graph、TAG)は、各ノードのテキスト記述を伴うグラフ構造化データの重要なタイプである。 TAG 上のゼロショットノード分類は、アカデミックやソーシャルネットワークなどの分野に多くの応用がある。我々は、より多くの監視信号を導入して精度を向上させるためにハウンドを提案する。
参考スコア（独自算出の注目度）: 41.418865119712194
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Text-attributed graph (TAG) is an important type of graph structured data with text descriptions for each node. Few- and zero-shot node classification on TAGs have many applications in fields such as academia and social networks. However, the two tasks are challenging due to the lack of supervision signals, and existing methods only use the contrastive loss to align graph-based node embedding and language-based text embedding. In this paper, we propose Hound to improve accuracy by introducing more supervision signals, and the core idea is to go beyond the node-text pairs that come with data. Specifically, we design three augmentation techniques, i.e., node perturbation, text matching, and semantics negation to provide more reference nodes for each text and vice versa. Node perturbation adds/drops edges to produce diversified node embeddings that can be matched with a text. Text matching retrieves texts with similar embeddings to match with a node. Semantics negation uses a negative prompt to construct a negative text with the opposite semantics, which is contrasted with the original node and text. We evaluate Hound on 5 datasets and compare with 13 state-of-the-art baselines. The results show that Hound consistently outperforms all baselines, and its accuracy improvements over the best-performing baseline are usually over 5%.
Abstract（参考訳）: テキスト分散グラフ(英: Text-attributed graph、TAG)は、各ノードのテキスト記述を伴うグラフ構造化データの重要なタイプである。 TAG 上のゼロショットノード分類は、アカデミックやソーシャルネットワークなどの分野に多くの応用がある。既存の手法では、グラフベースのノード埋め込みと言語ベースのテキスト埋め込みの整合に、対照的な損失しか使用していない。本稿では,より多くの監視信号を導入して精度を向上させるためにHoundを提案し,その中核となる考え方は,データに付随するノードとテキストのペアを超越することである。具体的には、各テキストに対してより多くの参照ノードを提供するために、ノード摂動、テキストマッチング、セマンティクス否定という3つの拡張テクニックを設計する。ノードの摂動はエッジを追加/ドロップすることで、テキストにマッチ可能な多様化ノードの埋め込みを生成する。テキストマッチングは、ノードにマッチするように、同様の埋め込みを持つテキストを検索する。意味論否定(Semantics negation)は、負のプロンプトを使用して、反対の意味論を持つ負のテキストを構築する。 5つのデータセット上でHoundを評価し、13の最先端のベースラインと比較した。その結果、Houndはすべてのベースラインを一貫して上回り、最高のパフォーマンスのベースラインよりも精度が5%以上向上していることがわかった。

関連論文リスト

Large Language Model-based Augmentation for Imbalanced Node Classification on Text-Attributed Graphs [13.42259312243504]
LA-TAG (LLM-based Augmentation on Text-Attributed Graphs) と呼ばれる新しい手法を提案する。グラフ内の既存のノードテキストに基づいて合成テキストを生成するように、Large Language Modelsに促す。合成テキスト分散ノードをグラフに統合するために,テキストベースのリンク予測器を導入する。
論文参考訳（メタデータ） (2024-10-22T10:36:15Z)
Pre-Training and Prompting for Few-Shot Node Classification on Text-Attributed Graphs [35.44563283531432]
テキスト分散グラフ(英: Text-attributed graph、TAG)は、生のテキストに関連付けられた各ノードを持つ、現実世界の重要なグラフ構造化データの一種である。 TAGでは、従来の数発のノード分類手法が、事前処理されたノード機能で直接トレーニングを行う。 P2TAGは、グラフ事前学習とプロンプトを備えたTAG上の少数ショットノード分類のためのフレームワークである。
論文参考訳（メタデータ） (2024-07-22T07:24:21Z)
GAugLLM: Improving Graph Contrastive Learning for Text-Attributed Graphs with Large Language Models [33.3678293782131]
本研究は,テキスト分散グラフ(TAG)の自己教師付きグラフ学習に関する研究である。言語指導によるビュージェネレーションの改善を目指しています。これは、リッチなセマンティック情報を持つグラフ構造を補完する、実際のアプリケーションにおけるテキスト属性の出現によって引き起こされる。
論文参考訳（メタデータ） (2024-06-17T17:49:19Z)
EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion [54.12709176438264]
Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
論文参考訳（メタデータ） (2024-02-15T02:27:23Z)
Learning Multiplex Representations on Text-Attributed Graphs with One Language Model Encoder [55.24276913049635]
テキスト分散グラフ上での多重表現学習のための新しいフレームワークMETAGを提案する。既存の手法とは対照的に、MeTAGは1つのテキストエンコーダを使用して関係性間の共有知識をモデル化する。学術分野と電子商取引分野の5つのグラフにおいて,9つの下流タスクについて実験を行った。
論文参考訳（メタデータ） (2023-10-10T14:59:22Z)
ConGraT: Self-Supervised Contrastive Pretraining for Joint Graph and Text Embeddings [20.25180279903009]
テキスト分散グラフ(TAG)におけるテキストとノードの分離表現を共同学習するためのContrastive Graph-Text Pretraining(ConGraT)を提案する。提案手法は言語モデル(LM)とグラフニューラルネットワーク(GNN)を訓練し,CLIPにインスパイアされたバッチワイドコントラスト学習目標を用いて,それらの表現を共通の潜在空間に整列させる。実験により、ConGraTは、ノードとテキストのカテゴリ分類、リンク予測、言語モデリングなど、さまざまな下流タスクのベースラインよりも優れていることが示された。
論文参考訳（メタデータ） (2023-05-23T17:53:30Z)
Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
論文参考訳（メタデータ） (2023-01-07T05:14:45Z)
Controversy Detection: a Text and Graph Neural Network Based Approach [0.0]
論争の内容は、ポジティブとネガティブの両方のフィードバックを惹きつけるあらゆるコンテンツを指す。既存のアプローチのほとんどは、トピックのディスカッションやメッセージの内容のグラフ構造に依存しています。本稿では,議論のグラフ構造とテキストの特徴に基づく論争検出手法を提案する。
論文参考訳（メタデータ） (2021-12-03T09:06:46Z)
Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
論文参考訳（メタデータ） (2020-04-05T13:09:37Z)
Graph Structured Network for Image-Text Matching [127.68148793548116]
微粒化対応学習のためのグラフ構造化マッチングネットワークを提案する。 GSMNは、明示的にオブジェクト、関係、属性を構造化されたフレーズとしてモデル化する。実験により、GSMNはベンチマークで最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2020-04-01T08:20:42Z)

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。