Fugu-MT 論文翻訳(概要): Mixture of Experts for Node Classification

論文の概要: Mixture of Experts for Node Classification

arxiv url: http://arxiv.org/abs/2412.00418v1
Date: Sat, 30 Nov 2024 10:05:03 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-04 15:43:12.962672
Title: Mixture of Experts for Node Classification
Title（参考訳）: ノード分類の専門家の混在
Authors: Yu Shi, Yiqi Wang, WeiXuan Lang, Jiaxin Zhang, Pan Dong, Aiping Li,
Abstract要約: 本稿では,ノード分類のための専門家フレームワークであるMoE-NPを提案する。特に、MoE-NPはノード予測器の混合と、ノードパターンに基づいて戦略的にモデルを選択する。さまざまな実世界のデータセットによる実験結果からは、大幅なパフォーマンス向上が示されている。
参考スコア（独自算出の注目度）: 6.269723328979101
License:
Abstract: Nodes in the real-world graphs exhibit diverse patterns in numerous aspects, such as degree and homophily. However, most existent node predictors fail to capture a wide range of node patterns or to make predictions based on distinct node patterns, resulting in unsatisfactory classification performance. In this paper, we reveal that different node predictors are good at handling nodes with specific patterns and only apply one node predictor uniformly could lead to suboptimal result. To mitigate this gap, we propose a mixture of experts framework, MoE-NP, for node classification. Specifically, MoE-NP combines a mixture of node predictors and strategically selects models based on node patterns. Experimental results from a range of real-world datasets demonstrate significant performance improvements from MoE-NP.
Abstract（参考訳）: 実世界のグラフのノードは、次数やホモフィリーといった様々な側面において多様なパターンを示す。しかし、現存するほとんどのノード予測器は、幅広いノードパターンをキャプチャしたり、異なるノードパターンに基づいて予測することができないため、不満足な分類性能をもたらす。本稿では,異なるノード予測器が特定のパターンでノードを処理するのに優れていることを明らかにする。このギャップを軽減するために,ノード分類のための専門家フレームワークであるMoE-NPを提案する。特に、MoE-NPはノード予測器の混合と、ノードパターンに基づいて戦略的にモデルを選択する。実世界のデータセットによる実験結果から,MoE-NPによる大幅な性能向上が示された。

関連論文リスト

Learning Personalized Scoping for Graph Neural Networks under Heterophily [3.475704621679017]
異種ノードが接続する傾向がある不テロ親和性グラフは、グラフニューラルネットワーク(GNN)に挑戦する我々は、ノード分類におけるGNN過度適合を克服する、個別のスコープ分類問題としてパーソナライズされたスコーピングを形式化する。本稿では,GNN推論のみに参加する軽量なアプローチであるAdaptive Scope (AS)を提案する。
論文参考訳（メタデータ） (2024-09-11T04:13:39Z)
The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
論文参考訳（メタデータ） (2024-06-18T12:16:00Z)
Node-wise Filtering in Graph Neural Networks: A Mixture of Experts Approach [58.8524608686851]
グラフニューラルネットワーク(GNN)は、多様なグラフ構造パターンをまたいだノード分類タスクに非常に効果的であることが証明されている。伝統的に、GNNは均一なグローバルフィルタ(通常、ホモフィルグラフのローパスフィルタとヘテロフィルグラフのハイパスフィルタ)を用いる。我々は,異なるノードに対する適切なフィルタを適応的に選択するために,専門家の混在を利用した新しいGNNフレームワークNode-MoEを紹介する。
論文参考訳（メタデータ） (2024-06-05T17:12:38Z)
Graph Sparsification via Mixture of Graphs [67.40204130771967]
そこで我々はMixture-of-Graphs (MoG)を導入し、各ノードに対して動的に調整されたプルーニングソリューションを選択する。 MoGには複数のスパシファイアの専門家が組み込まれており、それぞれが独自のスパーシリティレベルとプルーニング基準によって特徴付けられ、各ノードに対して適切な専門家を選択する。 5つのGNNを備えた4つの大規模OGBデータセットと2つのスーパーピクセルデータセットの実験により、MoGはより高い空間レベルのサブグラフを識別することを示した。
論文参考訳（メタデータ） (2024-05-23T07:40:21Z)
Efficient Link Prediction via GNN Layers Induced by Negative Sampling [92.05291395292537]
リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。まず、Emphnode-wiseアーキテクチャは各ノードの個別の埋め込みをプリコンパイルし、後に単純なデコーダで結合して予測を行う。第二に、エンフェッジワイド法は、ペアワイド関係の表現を強化するために、エッジ固有のサブグラフ埋め込みの形成に依存している。
論文参考訳（メタデータ） (2023-10-14T07:02:54Z)
Reinforcement Learning for Node Selection in Branch-and-Bound [52.2648997215667]
現在の最先端セレクタは手作りのアンサンブルを使用して、ナイーブなサブノードセレクタと、個々のノードデータに依存する学習ノードセレクタを自動的に切り替える。孤立ノードではなく木の状態全体を考慮しながら強化学習(RL)を用いる新しいシミュレーション手法を提案する。
論文参考訳（メタデータ） (2023-09-29T19:55:56Z)
The Snowflake Hypothesis: Training Deep GNN with One Node One Receptive field [39.679151680622375]
一つのノード、一つの受容場の概念を支える新しいパラダイムである「雪の結晶仮説」を紹介します。最も単純な勾配とノードレベルの余弦距離を、各ノードの集約深さを調節する指針として採用する。観測結果は,我々の仮説がタスクの普遍演算子として機能できることを実証した。
論文参考訳（メタデータ） (2023-08-19T15:21:12Z)
On Generalized Degree Fairness in Graph Neural Networks [18.110053023118294]
Deg-FairGNN(Generalized Degree Fairness-centric Graph Neural Network)と呼ばれる新しいGNNフレームワークを提案する。具体的には、各GNN層において、学習可能なデバイアス機能を用いて、デバイアスのコンテキストを生成する。 3つのベンチマークデータセットに対する大規模な実験は、精度と公正度の両方において、我々のモデルの有効性を示す。
論文参考訳（メタデータ） (2023-02-08T05:00:37Z)
Graph Pointer Neural Networks [11.656981519694218]
上述の課題に対処するために,グラフポインタニューラルネットワーク(GPNN)を提案する。我々は、多数のマルチホップ地区から最も関連性の高いノードを選択するためにポインタネットワークを利用する。 GPNNは最先端手法の分類性能を著しく向上させる。
論文参考訳（メタデータ） (2021-10-03T10:18:25Z)
NCGNN: Node-level Capsule Graph Neural Network [45.23653314235767]
ノードレベルカプセルグラフニューラルネットワーク(ncgnn)は、ノードをカプセル群として表現する。凝集に適したカプセルを適応的に選択する新しい動的ルーティング手法を開発した。 NCGNNは、過度にスムースな問題に対処でき、分類のためのより良いノード埋め込みを生成することで、芸術の状態を上回ります。
論文参考訳（メタデータ） (2020-12-07T06:46:17Z)
Towards Deeper Graph Neural Networks with Differentiable Group Normalization [61.20639338417576]
グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。 2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
論文参考訳（メタデータ） (2020-06-12T07:18:02Z)

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。