論文の概要: Towards Effective Graph Rationalization via Boosting Environment Diversity

• arxiv url: http://arxiv.org/abs/2412.12880v1
• Date: Tue, 17 Dec 2024 13:04:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 13:57:50.579399
• Title: Towards Effective Graph Rationalization via Boosting Environment Diversity
• Title（参考訳）: 環境多様性の促進による効果的なグラフ合理化に向けて
• Authors: Yujie Wang, Kui Yu, Yuhong Zhang, Fuyuan Cao, Jiye Liang,
• Abstract要約: 本稿では,環境多様性の促進 (GRBE) によるグラフ合理化手法を提案する。 GRBEは、環境サブグラフの多様性を改善するために、元のグラフ空間で強化されたサンプルを生成する。 ベンチマークデータセットの合理化と分類性能における平均7.65%と6.11%の改善は、GRBEが最先端アプローチよりも優れていることを示している。
• 参考スコア（独自算出の注目度）: 37.21601232538878
• License:
• Abstract: Graph Neural Networks (GNNs) perform effectively when training and testing graphs are drawn from the same distribution, but struggle to generalize well in the face of distribution shifts. To address this issue, existing mainstreaming graph rationalization methods first identify rationale and environment subgraphs from input graphs, and then diversify training distributions by augmenting the environment subgraphs. However, these methods merely combine the learned rationale subgraphs with environment subgraphs in the representation space to produce augmentation samples, failing to produce sufficiently diverse distributions. Thus, in this paper, we propose to achieve an effective Graph Rationalization by Boosting Environmental diversity, a GRBE approach that generates the augmented samples in the original graph space to improve the diversity of the environment subgraph. Firstly, to ensure the effectiveness of augmentation samples, we propose a precise rationale subgraph extraction strategy in GRBE to refine the rationale subgraph learning process in the original graph space. Secondly, to ensure the diversity of augmented samples, we propose an environment diversity augmentation strategy in GRBE that mixes the environment subgraphs of different graphs in the original graph space and then combines the new environment subgraphs with rationale subgraphs to generate augmented graphs. The average improvements of 7.65% and 6.11% in rationalization and classification performance on benchmark datasets demonstrate the superiority of GRBE over state-of-the-art approaches.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、同じ分布からグラフを抽出したトレーニングやテストを行う際に効果的に機能するが、分散シフトに直面した場合、一般化に苦慮する。 この問題に対処するために、既存の主流グラフ合理化手法は、まず、入力グラフから有理と環境サブグラフを識別し、次に環境サブグラフを増大させてトレーニング分布を多様化する。 しかし、これらの手法は、学習された有理部分グラフと表現空間の環境部分グラフを単に組み合わせて拡張サンプルを生成するだけで、十分に多様な分布を生成できない。 そこで本稿では,従来のグラフ空間の増分サンプルを生成するGRBEアプローチにより,環境サブグラフの多様性を向上させるため,効率的なグラフ合理化を実現することを提案する。 まず,拡張サンプルの有効性を確保するため,GRBEにおける有理部分グラフ抽出戦略を提案し,元のグラフ空間における有理部分グラフの学習プロセスを洗練させる。 次に, 拡張サンプルの多様性を確保するため, GRBEにおける環境多様性向上戦略を提案し, 元のグラフ空間における異なるグラフの環境部分グラフを混合し, 新しい環境部分グラフと有理グラフを結合して拡張グラフを生成する。 ベンチマークデータセットにおける合理化と分類性能の7.65%と6.11%の平均的な改善は、最先端のアプローチよりもGRBEの方が優れていることを示している。

関連論文リスト

• Subgraph Aggregation for Out-of-Distribution Generalization on Graphs [29.884717215947745]
  グラフニューラルネットワーク(GNN)におけるアウト・オブ・ディストリビューション(OOD)の一般化は注目されている。 多様なサブグラフの集合を学習するために設計された新しいフレームワークSubGraph Aggregation(SuGAr)を提案する。 合成データセットと実世界のデータセットの両方の実験では、SuGArが最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2024-10-29T16:54:37Z)
• Mitigating Graph Covariate Shift via Score-based Out-of-distribution Augmentation [16.59129444793973]
  トレーニングとテストデータセット間の分散シフトは、グラフ学習におけるモデルパフォーマンスを著しく損なう。 本稿では,全体のグラフパターンの妥当性と安定性を保ちつつ,未知の環境特徴を合成するスコアベースのグラフ生成戦略を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-23T02:09:02Z)
• Explanation-Preserving Augmentation for Semi-Supervised Graph Representation Learning [13.494832603509897]
  グラフ表現学習(GRL)は,ノード分類やグラフ分類といった幅広いタスクのパフォーマンス向上を実現するための有効な手法として登場した。 本稿では,拡張グラフの生成にグラフ説明手法を活用する新しい手法である Explanation-Preserving Augmentation (EPA) を提案する。 EPAはまず、グラフのセマンティクスに最も関係のある部分構造(説明)を推測するために、グラフ説明器を訓練するために少数のラベルを使用する。
  論文  参考訳（メタデータ） (2024-10-16T15:18:03Z)
• Improving out-of-distribution generalization in graphs via hierarchical semantic environments [5.481047026874547]
  グラフ毎に階層的な環境を生成する新しい手法を提案する。 我々は、同じ階層内の環境の多様性を学ぶために、我々のモデルを導く新しい学習目標を導入する。 我々のフレームワークは、それぞれIC50とEC50予測タスクの最高のベースラインに対して、1.29%と2.83%の改善を実現しています。
  論文  参考訳（メタデータ） (2024-03-04T07:03:10Z)
• GraphRCG: Self-Conditioned Graph Generation [78.69810678803248]
  本稿では,グラフ分布を明示的にモデル化する自己条件付きグラフ生成フレームワークを提案する。 本フレームワークは, 既存のグラフ生成手法に比べて, 学習データに対するグラフ品質と忠実度において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-02T02:28:20Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• 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)
• Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
  2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。 情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。 一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2021-03-17T16:22:24Z)

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。