論文の概要: DropEdge not Foolproof: Effective Augmentation Method for Signed Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2409.19620v1
• Date: Sun, 29 Sep 2024 09:13:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 22:06:24.818212
• Title: DropEdge not Foolproof: Effective Augmentation Method for Signed Graph Neural Networks
• Title（参考訳）: DropEdge not Foolproof: Effective Augmentation Method for Signed Graph Neural Networks
• Authors: Zeyu Zhang, Lu Li, Shuyan Wan, Sijie Wang, Zhiyi Wang, Zhiyuan Lu, Dong Hao, Wanli Li,
• Abstract要約: 本論文では, 有意または負の符号でマークされたエッジを用いて, 親和性や敵意関係をモデル化した有意グラフについて論じる。 著者らはこれらの問題に対処するためにデータ拡張(DA)技術を提案する。 彼らはSigned Graph Augmentation (SGA)フレームワークを紹介した。
• 参考スコア（独自算出の注目度）: 11.809853547011704
• License:
• Abstract: The paper discusses signed graphs, which model friendly or antagonistic relationships using edges marked with positive or negative signs, focusing on the task of link sign prediction. While Signed Graph Neural Networks (SGNNs) have advanced, they face challenges like graph sparsity and unbalanced triangles. The authors propose using data augmentation (DA) techniques to address these issues, although many existing methods are not suitable for signed graphs due to a lack of side information. They highlight that the random DropEdge method, a rare DA approach applicable to signed graphs, does not enhance link sign prediction performance. In response, they introduce the Signed Graph Augmentation (SGA) framework, which includes a structure augmentation module to identify candidate edges and a strategy for selecting beneficial candidates, ultimately improving SGNN training. Experimental results show that SGA significantly boosts the performance of SGNN models, with a notable 32.3% improvement in F1-micro for SGCN on the Slashdot dataset.
• Abstract（参考訳）: 本稿では, 有意または負の符号を持つエッジを用いて, 親和性や敵意関係をモデル化する符号グラフについて論じ, リンクサイン予測の課題に着目した。 Signed Graph Neural Networks(SGNN)は進歩しているが、グラフの空間性や不均衡な三角形といった課題に直面している。 著者らはこれらの問題に対処するためにデータ拡張(DA)技術を提案するが、多くの既存の手法は側情報がないため、符号付きグラフには適していない。 彼らは、符号付きグラフに適用可能な稀なDA手法であるDropEdge法は、リンクサイン予測性能を向上しない点を強調した。 このフレームワークには、候補エッジを特定する構造拡張モジュールと、有効な候補を選択する戦略が含まれており、最終的にはSGNNトレーニングを改善している。 実験の結果、SGAはSGNNモデルの性能を大幅に向上させ、Slashdotデータセット上でSGCN用のF1-microを32.3%改善した。

関連論文リスト

• Breaking the Entanglement of Homophily and Heterophily in Semi-supervised Node Classification [25.831508778029097]
  統計的観点から,ノードプロファイルとトポロジの関係を定量化するAMUDを提案する。 また、AMUDのための新しい有向グラフ学習パラダイムとしてADPAを提案する。
  論文  参考訳（メタデータ） (2023-12-07T07:54:11Z)
• SGA: A Graph Augmentation Method for Signed Graph Neural Networks [14.441926210101316]
  符号付きグラフニューラルネットワーク(SGNN)は、正と負のリンクを含む実世界の符号付きグラフの複雑なパターンを分析するのに不可欠である。 本稿では3つの主要コンポーネントからなる新しいサイン付きグラフ拡張フレームワーク(SGA)を紹介する。 我々の手法は、Wiki-RfA上のSGCNのAUCでは22.2%、F1-バイナリでは33.3%、F1-microでは48.8%、Bitcoin-alpha上のGATでは36.3%でベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-10-15T02:19:07Z)
• Bring Your Own View: Graph Neural Networks for Link Prediction with Personalized Subgraph Selection [57.34881616131377]
  異なるエッジに対して最適なサブグラフを自動,個人的,帰納的に識別するプラグイン・アンド・プレイ・フレームワークとしてパーソナライズされたサブグラフセレクタ(PS2)を導入する。 PS2は二段階最適化問題としてインスタンス化され、効率よく解ける。 GNNLPトレーニングに対する新たなアプローチとして,まずエッジの最適な部分グラフを識別し,次にサンプル部分グラフを用いて推論モデルをトレーニングすることを提案する。
  論文  参考訳（メタデータ） (2022-12-23T17:30:19Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• SoftEdge: Regularizing Graph Classification with Random Soft Edges [18.165965620873745]
  グラフデータ拡張はグラフニューラルネットワーク(GNN)の正規化において重要な役割を果たす 単純なエッジとノード操作は、同じ構造を持つグラフや、GNNをメッセージパッシングするための区別できない構造を生成することができる。 我々は,任意のグラフのエッジの一部にランダムな重みを割り当てて,そのグラフ上の動的近傍を構築するSoftEdgeを提案する。
  論文  参考訳（メタデータ） (2022-04-21T20:12:36Z)
• wsGAT: Weighted and Signed Graph Attention Networks for Link Prediction [0.0]
  グラフニューラルネットワーク(GNN)は、グラフの表現を学習し、現実世界の多くの問題に取り組むために広く利用されている。 我々は,グラフアテンションネットワーク(GAT)層の拡張であるwsGATを提案し,符号付きおよび重み付きリンクでグラフを処理する。 以上の結果から,wsGAT層を用いたモデルはGCNII層やSGCN層よりも優れており,符号付き重みが予測されると性能が低下しないことがわかった。
  論文  参考訳（メタデータ） (2021-09-21T12:07:51Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Signed Graph Diffusion Network [17.20546861491478]
  サイン付きソーシャルグラフが与えられたら、適切なノード表現を学習して、エッジの欠落の兆候を推測するにはどうすればよいのか? 署名ソーシャルグラフにおけるリンクサイン予測のためのエンドツーエンドノード表現学習を実現する新しいグラフニューラルネットワークであるSigned Graph Diffusion Network(SGDNet)を提案する。
  論文  参考訳（メタデータ） (2020-12-28T11:08:30Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。