論文の概要: AGMixup: Adaptive Graph Mixup for Semi-supervised Node Classification
- arxiv url: http://arxiv.org/abs/2412.08144v1
- Date: Wed, 11 Dec 2024 07:04:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-12 14:03:43.213557
- Title: AGMixup: Adaptive Graph Mixup for Semi-supervised Node Classification
- Title（参考訳）: AGMixup: 半教師付きノード分類のための適応グラフ混合
- Authors: Weigang Lu, Ziyu Guan, Wei Zhao, Yaming Yang, Yibing Zhan, Yiheng Lu, Dapeng Tao,
- Abstract要約: Mixupは、画像領域で$lambda$の混合比を使ってデータポイント間を補間することで、モデル一般化を強化する技術である。
本稿では,半教師付きノード分類のための適応グラフ混合(AGMixup)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 38.72918509842547
- License:
- Abstract: Mixup is a data augmentation technique that enhances model generalization by interpolating between data points using a mixing ratio $\lambda$ in the image domain. Recently, the concept of mixup has been adapted to the graph domain through node-centric interpolations. However, these approaches often fail to address the complexity of interconnected relationships, potentially damaging the graph's natural topology and undermining node interactions. Furthermore, current graph mixup methods employ a one-size-fits-all strategy with a randomly sampled $\lambda$ for all mixup pairs, ignoring the diverse needs of different pairs. This paper proposes an Adaptive Graph Mixup (AGMixup) framework for semi-supervised node classification. AGMixup introduces a subgraph-centric approach, which treats each subgraph similarly to how images are handled in Euclidean domains, thus facilitating a more natural integration of mixup into graph-based learning. We also propose an adaptive mechanism to tune the mixing ratio $\lambda$ for diverse mixup pairs, guided by the contextual similarity and uncertainty of the involved subgraphs. Extensive experiments across seven datasets on semi-supervised node classification benchmarks demonstrate AGMixup's superiority over state-of-the-art graph mixup methods. Source codes are available at \url{https://github.com/WeigangLu/AGMixup}.
- Abstract（参考訳）: Mixupは、画像領域における混合比$\lambda$を用いてデータポイント間を補間することで、モデル一般化を強化するデータ拡張技術である。
近年、ミキサップの概念はノード中心の補間を通じてグラフ領域に適応している。
しかしながら、これらのアプローチはしばしば相互接続関係の複雑さに対処できず、グラフの自然なトポロジーを損なう可能性があり、ノード間の相互作用を損なう。
さらに、現在のグラフミックスアップ手法では、すべてのミックスアップペアに対してランダムにサンプル化された$\lambda$で、異なるペアの多様なニーズを無視した1サイズ全戦略を採用している。
本稿では,半教師付きノード分類のための適応グラフ混合(AGMixup)フレームワークを提案する。
AGMixupは、ユークリッド領域でのイメージ処理と同じように、各サブグラフを扱うサブグラフ中心のアプローチを導入し、グラフベースの学習へのミックスアップのより自然な統合を容易にする。
また、様々な混合ペアに対して混合比$\lambda$を調整し、関連する部分グラフの文脈的類似性と不確実性によって導かれる適応的なメカニズムを提案する。
半教師付きノード分類ベンチマークの7つのデータセットにわたる大規模な実験は、AGMixupが最先端のグラフ混合法よりも優れていることを示す。
ソースコードは \url{https://github.com/WeigangLu/AGMixup} で入手できる。
関連論文リスト
- 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) - M3C: A Framework towards Convergent, Flexible, and Unsupervised Learning
of Mixture Graph Matching and Clustering [57.947071423091415]
本稿では,理論収束を保証する学習自由度アルゴリズムであるM3Cを提案する。
我々は、新しいエッジワイド親和性学習と擬似ラベル選択を組み込んだ教師なしモデルUM3Cを開発した。
提案手法は,最先端のグラフマッチングと混合グラフマッチングとクラスタリングの手法を精度と効率の両面で優れている。
論文 参考訳（メタデータ） (2023-10-27T19:40:34Z) - On the Equivalence of Graph Convolution and Mixup [70.0121263465133]
本稿では,グラフ畳み込みと混合手法の関係について検討する。
2つの穏やかな条件の下では、グラフの畳み込みはMixupの特別な形式と見なすことができる。
グラフ畳み込みネットワーク(GCN)と単純化グラフ畳み込み(SGC)をミックスアップの形で表現できることを証明し、数学的にこの等価性を確立する。
論文 参考訳（メタデータ） (2023-09-29T23:09:54Z) - 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) - Fused Gromov-Wasserstein Graph Mixup for Graph-level Classifications [44.15102300886821]
我々はFGWMixupと呼ばれる新しいグラフ混合アルゴリズムを提案し、FGWMixupはFused Gromov-Wasserstein計量空間のソースグラフの中間点を求める。
5つのデータセットで行った実験により、FGWMixupはGNNの一般化性と堅牢性を効果的に改善することが示された。
論文 参考訳（メタデータ） (2023-06-28T07:00:12Z) - Graph Mixup with Soft Alignments [49.61520432554505]
本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。
ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
論文 参考訳（メタデータ） (2023-06-11T22:04:28Z) - 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) - 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) - GraphMixup: Improving Class-Imbalanced Node Classification on Graphs by
Self-supervised Context Prediction [25.679620842010422]
本稿では,グラフ上のクラス不均衡ノード分類を改善するための新しい混合フレームワークであるGraphMixupを提案する。
我々は,これらのマイノリティクラスに対する混合によって生成されるサンプル数を適応的に決定するEmphReinforcement Mixupメカニズムを開発した。
3つの実世界のデータセットの実験により、GraphMixupはクラス不均衡なノード分類タスクに対して真に励まされる結果が得られることが示された。
論文 参考訳（メタデータ） (2021-06-21T14:12:16Z)
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。