Fugu-MT 論文翻訳(概要): Weakly Supervised Learning on Large Graphs

論文の概要: Weakly Supervised Learning on Large Graphs

arxiv url: http://arxiv.org/abs/2501.02021v1
Date: Thu, 02 Jan 2025 18:12:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-07 17:08:47.196501
Title: Weakly Supervised Learning on Large Graphs
Title（参考訳）: 大規模グラフによる弱教師付き学習
Authors: Aditya Prakash,
Abstract要約: 本研究は,2つの部分グラフ抽出技術を活用した弱教師付きグラフ分類フレームワークを提案する。サブグラフはグラフ注意ネットワーク(GAT)を使用して処理される。
参考スコア（独自算出の注目度）: 1.4028140181591504
License:
Abstract: Graph classification plays a pivotal role in various domains, including pathology, where images can be represented as graphs.In this domain, images can be represented as graphs, where nodes might represent individual nuclei, and edges capture the spatial or functional relationships between them. Often, the overall label of the graph, such as a cancer type or disease state, is determined by patterns within smaller, localized regions of the image. This work introduces a weakly-supervised graph classification framework leveraging two subgraph extraction techniques: (1) Sliding-window approach (2) BFS-based approach. Subgraphs are processed using a Graph Attention Network (GAT), which employs attention mechanisms to identify the most informative subgraphs for classification. Weak supervision is achieved by propagating graph-level labels to subgraphs, eliminating the need for detailed subgraph annotations.
Abstract（参考訳）: この領域では、画像はグラフとして表現され、ノードは個々の核を表現し、エッジはそれらの間の空間的または機能的関係をキャプチャする。しばしば、がんタイプや疾患状態などのグラフの全体的なラベルは、画像のより小さな局所的な領域内のパターンによって決定される。本研究は,(1)スライディング・ウインドウ・アプローチ,(2)BFSに基づくアプローチの2つの部分グラフ抽出技術を活用した弱教師付きグラフ分類フレームワークを提案する。サブグラフはグラフ注意ネットワーク(GAT)を使用して処理される。弱監督はグラフレベルのラベルをサブグラフに伝播し、詳細なサブグラフアノテーションを不要にすることで達成される。

関連論文リスト

Stochastic Subgraph Neighborhood Pooling for Subgraph Classification [2.1270496914042996]
Subgraph Neighborhood Pooling (SSNP) は、ラベル付けトリックのような計算コストの高い操作をすることなく、サブグラフとその周辺情報を共同で集約する。実験により、我々のモデルは、トレーニングにおいて最大3倍高速でありながら、最先端の手法(マージンが最大2%)より優れています。
論文参考訳（メタデータ） (2023-04-17T18:49:18Z)
Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
論文参考訳（メタデータ） (2022-06-11T04:05:29Z)
CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
論文参考訳（メタデータ） (2022-05-30T13:20:26Z)
Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
論文参考訳（メタデータ） (2022-01-15T01:54:25Z)
Graph Representation Learning for Spatial Image Steganalysis [11.358487655918678]
空間画像ステガナリシスのためのグラフ表現学習アーキテクチャを提案する。詳細なアーキテクチャでは、各画像をグラフに変換し、ノードは画像のパッチを表し、エッジはパッチ間の局所的な関連を示す。注意ネットワークにグラフを供給することにより、効率的なステガナリシスのための識別的特徴を学習することができる。
論文参考訳（メタデータ） (2021-10-03T09:09:08Z)
Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文参考訳（メタデータ） (2021-09-01T08:24:02Z)
Multi-Level Graph Contrastive Learning [38.022118893733804]
本稿では,グラフの空間ビューを対比することで,グラフデータの堅牢な表現を学習するためのマルチレベルグラフコントラスト学習(MLGCL)フレームワークを提案する。元のグラフは1次近似構造であり、不確実性や誤りを含むが、符号化機能によって生成された$k$NNグラフは高次近接性を保持する。 MLGCLは、7つのデータセット上の既存の最先端グラフ表現学習法と比較して有望な結果が得られることを示す。
論文参考訳（メタデータ） (2021-07-06T14:24:43Z)
Graphonomy: Universal Image Parsing via Graph Reasoning and Transfer [140.72439827136085]
グラフィノノミー(Graphonomy)というグラフ推論・伝達学習フレームワークを提案する。人間の知識とラベル分類を、局所畳み込みを超えた中間グラフ表現学習に組み込んでいる。意味認識グラフの推論と転送を通じて、複数のドメインにおけるグローバルおよび構造化されたセマンティックコヒーレンシーを学習する。
論文参考訳（メタデータ） (2021-01-26T08:19:03Z)
Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文参考訳（メタデータ） (2020-10-20T05:54:31Z)
Robust Hierarchical Graph Classification with Subgraph Attention [18.7475578342125]
本稿では,グラフに対するサブグラフアテンションの概念を紹介する。本稿では,SubGattPoolというグラフ分類アルゴリズムを提案する。 SubGattPoolは、最先端のグラフ分類データセットを改善することができるか、あるいは、複数の公開グラフ分類データセットで競争力を維持することができることを示す。
論文参考訳（メタデータ） (2020-07-19T10:03:06Z)
Few-Shot Learning on Graphs via Super-Classes based on Graph Spectral Measures [14.932318540666545]
グラフニューラルネットワーク (GNN) におけるショットグラフ分類の問題について, 限定ラベル付きグラフの場合, 未確認のクラスを認識するために検討した。グラフ正規化ラプラシアンのスペクトルに基づいて確率測度を各グラフに割り当てる手法を提案する。
論文参考訳（メタデータ） (2020-02-27T17:11:14Z)

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。