論文の概要: Cluster-guided Contrastive Class-imbalanced Graph Classification

• arxiv url: http://arxiv.org/abs/2412.12984v2
• Date: Mon, 30 Dec 2024 05:34:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:03:24.612140
• Title: Cluster-guided Contrastive Class-imbalanced Graph Classification
• Title（参考訳）: クラスタ誘導コントラスト型クラス不均衡グラフ分類
• Authors: Wei Ju, Zhengyang Mao, Siyu Yi, Yifang Qin, Yiyang Gu, Zhiping Xiao, Jianhao Shen, Ziyue Qiao, Ming Zhang,
• Abstract要約: C$3$GNNを提案する。これはクラスタリングのアイデアをコントラスト学習に統合し、クラス不均衡グラフ分類を強化する。 C$3$GNNクラスタは、各マジョリティクラスから複数のサブクラスにグラフ化され、サイズはマイノリティクラスに匹敵する。 教師付きコントラスト学習は、階層的に効率的なグラフ表現を学習するために使用され、モデルが多数派のクラスにおける意味的部分構造を徹底的に探索することができる。
• 参考スコア（独自算出の注目度）: 10.48026949398536
• License:
• Abstract: This paper studies the problem of class-imbalanced graph classification, which aims at effectively classifying the graph categories in scenarios with imbalanced class distributions. While graph neural networks (GNNs) have achieved remarkable success, their modeling ability on imbalanced graph-structured data remains suboptimal, which typically leads to predictions biased towards the majority classes. On the other hand, existing class-imbalanced learning methods in vision may overlook the rich graph semantic substructures of the majority classes and excessively emphasize learning from the minority classes. To address these challenges, we propose a simple yet powerful approach called C$^3$GNN that integrates the idea of clustering into contrastive learning to enhance class-imbalanced graph classification. Technically, C$^3$GNN clusters graphs from each majority class into multiple subclasses, with sizes comparable to the minority class, mitigating class imbalance. It also employs the Mixup technique to generate synthetic samples, enriching the semantic diversity of each subclass. Furthermore, supervised contrastive learning is used to hierarchically learn effective graph representations, enabling the model to thoroughly explore semantic substructures in majority classes while avoiding excessive focus on minority classes. Extensive experiments on real-world graph benchmark datasets verify the superior performance of our proposed method against competitive baselines.
• Abstract（参考訳）: 本稿では,不均衡なクラス分布を持つシナリオにおいて,グラフカテゴリを効果的に分類することを目的としたクラス不均衡グラフ分類の問題について検討する。 グラフニューラルネットワーク(GNN)は目覚ましい成功を収めているが、不均衡なグラフ構造化データのモデリング能力は相変わらず最適であり、通常は多数派に偏っている。 一方、視覚における既存のクラス不均衡学習手法は、多数派階級の豊かなグラフ意味構造を見落とし、少数派階級からの学習を過度に強調する可能性がある。 これらの課題に対処するため,C$^3$GNNという単純なアプローチを提案する。 技術的には、C$^3$GNNクラスタグラフは、各多数派クラスから複数のサブクラスにグラフ化され、少数派クラスに匹敵するサイズで、クラス不均衡を緩和する。 また、Mixup技術を用いて合成サンプルを生成し、各サブクラスのセマンティックな多様性を高める。 さらに、教師付きコントラスト学習は、効率的なグラフ表現を階層的に学習するために使用され、モデルがマイノリティクラスへの過剰なフォーカスを避けながら、多数派クラスのセマンティックサブ構造を徹底的に探索することができる。 実世界のグラフベンチマークデータセットに対する大規模な実験により,提案手法の競争基準に対する優れた性能が検証された。

関連論文リスト

• Open-World Semi-Supervised Learning for Node Classification [53.07866559269709]
  ノード分類のためのオープンワールド半教師付き学習(Open World SSL)は、グラフコミュニティにおいて実用的だが未探索の課題である。 オープンワールド半教師付きノード分類のためのIM Balance-AwareメソッドOpenIMAを提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:12:54Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Class-Balanced and Reinforced Active Learning on Graphs [13.239043161351482]
  グラフニューラルネットワーク(GNN)は、ノード分類、リンク予測、グラフ分類など、さまざまなアプリケーションで大きな成功を収めている。 GNNのアクティブラーニングは、ラベルのないデータから貴重なサンプルを照会して、GNNのパフォーマンスを低コストで最大化することを目的としている。 GNNにおける強化能動学習のための既存のアルゴリズムは、特に高度に歪んだクラスシナリオにおいて、高度に不均衡なクラス分布をもたらす可能性がある。 我々は、GNNのための新しいクラスバランスと強化されたアクティブラーニングフレームワーク、すなわちGCBRを提案し、クラスバランスと情報ノードを取得するための最適なポリシーを学習する。
  論文  参考訳（メタデータ） (2024-02-15T16:37:14Z)
• Heterophily-Based Graph Neural Network for Imbalanced Classification [19.51668009720269]
  グラフの不均衡な分類をグラフヘテロフィリを考慮した一意なアプローチを導入する。 我々は,不均衡な分類戦略をヘテロフィリア認識GNNと統合したFast Im-GBKを提案する。 実世界のグラフに関する我々の実験は、ノード分類タスクの分類性能と効率において、我々のモデルが優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-12T21:19:47Z)
• Class-Imbalanced Graph Learning without Class Rebalancing [62.1368829847041]
  クラス不均衡は実世界のノード分類タスクでよく見られ、グラフ学習モデルには大きな課題がある。 本研究では、トポロジカルパラダイムからクラス不均衡バイアスの根本原因にアプローチする。 我々は,クラス再バランスを伴わずにクラス不均衡バイアスを軽減するために,軽量なトポロジカル拡張フレームワークであるBATを考案した。
  論文  参考訳（メタデータ） (2023-08-27T19:01:29Z)
• RAHNet: Retrieval Augmented Hybrid Network for Long-tailed Graph Classification [10.806893809269074]
  本稿では,ロバストな特徴抽出器と非バイアスな分類器を共同で学習するRAHNet(Retrieval Augmented Hybrid Network)を提案する。 特徴抽出学習の段階において,各クラスにおけるクラス内多様性を直接強化する関係グラフを探索するグラフ検索モジュールを開発する。 また、分類表現を得るために、カテゴリー中心の教師付きコントラスト損失を革新的に最適化する。
  論文  参考訳（メタデータ） (2023-08-04T14:06:44Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• 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)
• Graph Classification by Mixture of Diverse Experts [67.33716357951235]
  我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。 GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。 実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-29T14:03:03Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Adaptive-Step Graph Meta-Learner for Few-Shot Graph Classification [25.883839335786025]
  本稿では,グラフデータへの高速適応にGNNをベースとしたグラフメタラーナを用いた新しいフレームワークを提案する。 我々のフレームワークは、ベースラインと比較して、いくつかのショットグラフ分類タスクに対して最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-03-18T14:38:48Z)

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。