論文の概要: Active Sampling for Node Attribute Completion on Graphs

• arxiv url: http://arxiv.org/abs/2501.08450v1
• Date: Tue, 14 Jan 2025 21:38:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-16 15:51:56.777442
• Title: Active Sampling for Node Attribute Completion on Graphs
• Title（参考訳）: グラフ上のノード属性補完のためのアクティブサンプリング
• Authors: Benyuan Liu, Xu Chen, Yanfeng Wang, Ya Zhang, Zhi Cao, Ivor Tsang,
• Abstract要約: 本稿では、欠落したノード属性を復元するための新しいAcTive Smplingアルゴリズム(ATS)を提案する。 各ノードの情報の代表性と不確実性は、まずグラフ構造、表現類似性、学習バイアスに基づいて測定される。 4つの公開ベンチマークデータセットと2つのダウンストリームタスクの実験は、ノード属性の補完におけるATSの優位性を示している。
• 参考スコア（独自算出の注目度）: 35.67643493013569
• License:
• Abstract: Node attribute, a type of crucial information for graph analysis, may be partially or completely missing for certain nodes in real world applications. Restoring the missing attributes is expected to benefit downstream graph learning. Few attempts have been made on node attribute completion, but a novel framework called Structure-attribute Transformer (SAT) was recently proposed by using a decoupled scheme to leverage structures and attributes. SAT ignores the differences in contributing to the learning schedule and finding a practical way to model the different importance of nodes with observed attributes is challenging. This paper proposes a novel AcTive Sampling algorithm (ATS) to restore missing node attributes. The representativeness and uncertainty of each node's information are first measured based on graph structure, representation similarity and learning bias. To select nodes as train samples in the next optimization step, a weighting scheme controlled by Beta distribution is then introduced to linearly combine the two properties. Extensive experiments on four public benchmark datasets and two downstream tasks have shown the superiority of ATS in node attribute completion.
• Abstract（参考訳）: グラフ解析にとって重要な情報であるノード属性は、現実のアプリケーションで特定のノードに部分的に、あるいは完全に欠落している可能性がある。 欠落した属性の復元は、下流のグラフ学習の恩恵を受けることが期待されている。 ノード属性の補完についてはほとんど試みられていないが、構造属性変換(SAT)と呼ばれる新しいフレームワークが最近、構造と属性を活用するために分離されたスキームを用いて提案されている。 SATは、学習スケジュールへの貢献の違いを無視し、観測された属性を持つノードの異なる重要性をモデル化する実践的な方法を見つけることは困難である。 本稿では、欠落したノード属性を復元するための新しいAcTive Smplingアルゴリズム(ATS)を提案する。 各ノードの情報の代表性と不確実性は、まずグラフ構造、表現類似性、学習バイアスに基づいて測定される。 次の最適化ステップで列車のサンプルとしてノードを選択するために、ベータ分布によって制御される重み付けスキームを導入し、2つの特性を線形に結合する。 4つの公開ベンチマークデータセットと2つの下流タスクに関する大規模な実験は、ノード属性の補完におけるATSの優位性を示している。

関連論文リスト

• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Revisiting Initializing Then Refining: An Incomplete and Missing Graph Imputation Network [42.68291773745948]
  RITR(Revisiting Initializing Then Refining)と呼ばれる新しいネットワークを開発する。 我々は,新しい初期化精錬計算基準の指導のもと,属性不完全と属性欠落の両方のサンプルを完成させた。 我々の知る限り、この新しく設計された手法は、ハイブリット・アベントグラフを扱うための最初の教師なしのフレームワークである。
  論文  参考訳（メタデータ） (2023-02-15T08:38:06Z)
• Graph Convolutional Neural Networks with Diverse Negative Samples via Decomposed Determinant Point Processes [21.792376993468064]
  グラフ畳み込みネットワーク(GCN)はグラフ表現学習において大きな成功を収めている。 本稿では, 様々な負のサンプルを得るために, 品質多様性の分解を決定点過程に用いた。 本稿では,計算効率を向上させるための最短パスベース手法を提案する。
  論文  参考訳（メタデータ） (2022-12-05T06:31:31Z)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• Node Attribute Completion in Knowledge Graphs with Multi-Relational Propagation [14.58440933068]
  我々のアプローチは、知識グラフを横断して情報を伝達することで、欠落した属性の値を暗示する。 これは、ノードと属性のタイプとの関係に応じて、あるノード属性を別のノード属性から予測するために回帰関数を使用する。
  論文  参考訳（メタデータ） (2020-11-10T18:36:33Z)
• Learning on Attribute-Missing Graphs [66.76561524848304]
  部分ノードのみの属性が利用できるグラフがあり、他の属性が完全に欠落している可能性がある。 一般的なGNNを含む既存のグラフ学習手法では、満足な学習性能が得られない。 我々は,属性欠落グラフのための構造属性変換器(SAT)と呼ばれる新しい分布マッチングベースGNNを開発した。
  論文  参考訳（メタデータ） (2020-11-03T11:09:52Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)

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。