論文の概要: Perturbation-based Graph Active Learning for Weakly-Supervised Belief Representation Learning
- arxiv url: http://arxiv.org/abs/2410.19176v1
- Date: Thu, 24 Oct 2024 22:11:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-28 13:36:14.805745
- Title: Perturbation-based Graph Active Learning for Weakly-Supervised Belief Representation Learning
- Title（参考訳）: 摂動型グラフ能動学習による弱教師付き信念表現学習
- Authors: Dachun Sun, Ruijie Wang, Jinning Li, Ruipeng Han, Xinyi Liu, You Lyu, Tarek Abdelzaher,
- Abstract要約: 目標は、制約された予算内でラベル付けする価値のあるソーシャルメディアグラフ上で、価値あるメッセージを戦略的に特定することである。
本稿では、ラベル付けのためのメッセージを段階的に選択するグラフデータ強化型アクティブラーニング戦略(PerbALGraph)を提案する。
- 参考スコア（独自算出の注目度）: 13.311498341765772
- License:
- Abstract: This paper addresses the problem of optimizing the allocation of labeling resources for semi-supervised belief representation learning in social networks. The objective is to strategically identify valuable messages on social media graphs that are worth labeling within a constrained budget, ultimately maximizing the task's performance. Despite the progress in unsupervised or semi-supervised methods in advancing belief and ideology representation learning on social networks and the remarkable efficacy of graph learning techniques, the availability of high-quality curated labeled social data can greatly benefit and further improve performances. Consequently, allocating labeling efforts is a critical research problem in scenarios where labeling resources are limited. This paper proposes a graph data augmentation-inspired perturbation-based active learning strategy (PerbALGraph) that progressively selects messages for labeling according to an automatic estimator, obviating human guidance. This estimator is based on the principle that messages in the network that exhibit heightened sensitivity to structural features of the observational data indicate landmark quality that significantly influences semi-supervision processes. We design the estimator to be the prediction variance under a set of designed graph perturbations, which is model-agnostic and application-independent. Extensive experiment results demonstrate the effectiveness of the proposed strategy for belief representation learning tasks.
- Abstract（参考訳）: 本稿では,ソーシャルネットワークにおける半教師付き信念表現学習のためのラベル付け資源の割り当てを最適化する問題に対処する。
目的は、制約された予算内でラベル付けする価値のあるソーシャルメディアグラフ上の価値あるメッセージを戦略的に識別し、最終的にタスクのパフォーマンスを最大化することである。
ソーシャルネットワークにおける信念・イデオロギー表現学習の進展とグラフ学習技術の顕著な有効性にもかかわらず、高品質なラベル付きソーシャルデータの提供は大きな利益をもたらし、パフォーマンスをさらに向上させる。
したがって、ラベルの資源が限られている場合において、ラベルの割り当ては重要な研究課題である。
本稿では,グラフデータにインスパイアされた摂動型アクティブラーニング戦略(PerbALGraph)を提案する。
この推定器は、観測データの構造的特徴に対する高い感度を示すネットワーク内のメッセージは、セミスーパービジョンプロセスに大きく影響するランドマーク品質を示すという原理に基づいている。
我々は, モデルに依存しない, アプリケーションに依存しない, 設計したグラフ摂動のセットに基づいて, 予測分散となる推定器を設計する。
広範囲な実験結果から,信念表現学習タスクにおける提案手法の有効性が示された。
関連論文リスト
- Debiasing Graph Representation Learning based on Information Bottleneck [18.35405511009332]
本稿では,変分グラフオートエンコーダに基づく新しいフレームワークGRAFairの設計と実装について述べる。
GRAFairの要点は条件フェアネス・ボトルネック(Conditional Fairness Bottleneck)であり、表現の効用と関心の情報とのトレードオフを捉えることを目的としている。
実世界の様々なデータセットに対する実験により,提案手法の有効性を,公正性,有用性,堅牢性,安定性の観点から実証した。
論文 参考訳（メタデータ） (2024-09-02T16:45:23Z) - Graph Transductive Defense: a Two-Stage Defense for Graph Membership Inference Attacks [50.19590901147213]
グラフニューラルネットワーク(GNN)は、さまざまな現実世界のアプリケーションにおいて、強力なグラフ学習機能を提供する。
GNNは、メンバーシップ推論攻撃(MIA)を含む敵攻撃に対して脆弱である
本稿では,グラフトランスダクティブ学習特性に合わせて,グラフトランスダクティブ・ディフェンス(GTD)を提案する。
論文 参考訳（メタデータ） (2024-06-12T06:36:37Z) - 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) - Logical Bias Learning for Object Relation Prediction [3.724255294816294]
シーングラフ生成(SGG)は、イメージをセマンティックな構造グラフに自動的にマッピングして、シーン理解を改善することを目的としている。
バイアスのあるデータとトレーニング方法のために、実際には厳しい制限に直面しています。
対象関係予測のための因果推論に基づくより合理的で効果的な戦略を提案する。
論文 参考訳（メタデータ） (2023-10-01T16:12:00Z) - A Survey of Graph Unlearning [11.841882902141696]
グラフアンラーニングは、トレーニングされたモデルからセンシティブなデータトレースを取り除き、忘れられる権利を維持する手段を提供する。
本稿では,多種多様な方法論を包含したグラフアンラーニング手法の体系的レビューを行う。
我々は、ソーシャルネットワーク、敵対的設定、リソース制約のある環境など、さまざまな領域にわたるグラフアンラーニングの汎用性について検討する。
論文 参考訳（メタデータ） (2023-08-23T20:50:52Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-05-31T11:04:53Z) - 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) - Toward Improved Generalization: Meta Transfer of Self-supervised
Knowledge on Graphs [0.0]
本稿ではメタラーニングと自己教師型学習を統合した新しい知識伝達戦略を提案する。
具体的には、ソースドメイン上で自己教師型タスクを実行し、メタラーニングを適用し、モデルの一般化性を大幅に向上させる。
提案手法は,グラフベース知識の一般化性と伝達性を高めることにより,目標タスク性能を著しく向上することを示す。
論文 参考訳（メタデータ） (2022-12-16T01:10:49Z) - Unbiased Graph Embedding with Biased Graph Observations [52.82841737832561]
基礎となるバイアスのないグラフから学習することで、バイアスのない表現を得るための、原則化された新しい方法を提案する。
この新たな視点に基づいて、そのような基礎となるグラフを明らかにするための2つの補完的手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T18:44:37Z) - Fairness-Aware Node Representation Learning [9.850791193881651]
本研究は,グラフ強化設計によるグラフ対照的学習における公平性問題に対処する。
グラフ上の異なる公平性の概念を導入し、提案されたグラフ拡張のガイドラインとして機能する。
実ソーシャルネットワークにおける実験結果から,提案した拡張により,統計的平等と平等な機会の両面において公平性が向上することを示した。
論文 参考訳（メタデータ） (2021-06-09T21:12:14Z) - 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)
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。