論文の概要: A Metric for the Balance of Information in Graph Learning

• arxiv url: http://arxiv.org/abs/2501.19137v1
• Date: Fri, 31 Jan 2025 13:46:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 14:03:03.373434
• Title: A Metric for the Balance of Information in Graph Learning
• Title（参考訳）: グラフ学習における情報のバランスの指標
• Authors: Alex O. Davies, Nirav S. Ajmeri, Telmo de Menezes e Silva Filho,
• Abstract要約: 分子のグラフ学習は、分子構造とその構造に付随する特徴の両方から情報を利用する。 ノイズノイズ比差(NNRD)は、構造や特徴においてより有用な情報があるかどうかの指標である。 NNRDを分子的タスクに応用し,情報損失によく対応していることを示す。
• 参考スコア（独自算出の注目度）: 0.37141182051230903
• License:
• Abstract: Graph learning on molecules makes use of information from both the molecular structure and the features attached to that structure. Much work has been conducted on biasing either towards structure or features, with the aim that bias bolsters performance. Identifying which information source a dataset favours, and therefore how to approach learning that dataset, is an open issue. Here we propose Noise-Noise Ratio Difference (NNRD), a quantitative metric for whether there is more useful information in structure or features. By employing iterative noising on features and structure independently, leaving the other intact, NNRD measures the degradation of information in each. We employ NNRD over a range of molecular tasks, and show that it corresponds well to a loss of information, with intuitive results that are more expressive than simple performance aggregates. Our future work will focus on expanding data domains, tasks and types, as well as refining our choice of baseline model.
• Abstract（参考訳）: 分子のグラフ学習は、分子構造とその構造に付随する特徴の両方から情報を利用する。 バイアスがパフォーマンスを後押しすることを目的として、構造や特徴に偏見を向ける作業が数多く行われている。 データセットのどの情報ソースが望ましいかを特定し、そのデータセットの学習にどのようにアプローチするかは、オープンな問題である。 本稿では,構造や特徴により有用な情報が存在するかどうかの定量的指標として,雑音-雑音比差(NNRD)を提案する。 特徴と構造を独立して反復的にノイズ付けすることにより、NNRDはそれぞれの情報の劣化を測定する。 NNRDを分子的タスクに応用し、情報損失によく対応し、単純な性能集計よりも直感的な結果が得られることを示す。 今後の作業は、データドメイン、タスク、タイプの拡大と、ベースラインモデルの選択を洗練することに集中します。

関連論文リスト

• Learning From Graph-Structured Data: Addressing Design Issues and Exploring Practical Applications in Graph Representation Learning [2.492884361833709]
  グラフ表現学習とグラフニューラルネットワーク(GNN)の最近の進歩を概観する。 グラフ構造化データを扱うように設計されたGNNは、複雑な関係情報から洞察と予測を引き出すのに長けている。 我々の研究は、GNNの能力を掘り下げ、その基礎設計と現実の課題に対処するための応用について調べている。
  論文  参考訳（メタデータ） (2024-11-09T19:10:33Z)
• Graph Residual based Method for Molecular Property Prediction [0.7499722271664147]
  この写本は、GRUベースの新しい方法論であるECRGNNの詳細な記述を強調し、使用済みの入力をマッピングする。 変分オートエンコーダ(VAE)の詳細な記述と,マルチクラスマルチラベル特性予測に用いるエンドツーエンド学習法も提案した。
  論文  参考訳（メタデータ） (2024-07-27T09:01:36Z)
• Imbalanced Graph-Level Anomaly Detection via Counterfactual Augmentation and Feature Learning [1.3756846638796]
  本稿では,非バランスなGLAD手法を提案する。 我々は、このモデルを脳疾患データセットに適用し、我々の研究の能力を証明することができる。
  論文  参考訳（メタデータ） (2024-07-13T13:40:06Z)
• Node Classification via Semantic-Structural Attention-Enhanced Graph Convolutional Networks [0.9463895540925061]
  SSA-GCN(Semantic-structure attention-enhanced graph convolutional Network)を導入する。 グラフ構造をモデル化するだけでなく、分類性能を高めるために一般化されていない特徴を抽出する。 Cora と CiteSeer のデータセットに対する実験により,提案手法による性能改善が実証された。
  論文  参考訳（メタデータ） (2024-03-24T06:28:54Z)
• Learning to Extract Structured Entities Using Language Models [52.281701191329]
  機械学習の最近の進歩は、情報抽出の分野に大きな影響を与えている。 タスクをエンティティ中心にすることで、さまざまなメトリクスの使用を可能にします。 我々は、Structured Entity extractを導入し、Adroximate Entity Set OverlaPメトリックを提案し、この分野にコントリビュートします。
  論文  参考訳（メタデータ） (2024-02-06T22:15:09Z)
• End-to-End Learning on Multimodal Knowledge Graphs [0.0]
  本稿では,グラフ構造からエンドツーエンドを学習するマルチモーダルメッセージパッシングネットワークを提案する。 我々のモデルは、専用(神経)エンコーダを使用して、5種類のモードに属するノードの特徴の埋め込みを自然に学習する。 この結果から,任意の知識グラフからエンド・ツー・エンドのマルチモーダル学習が可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-09-03T13:16:18Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Joint Feature and Differentiable $ k $-NN Graph Learning using Dirichlet Energy [103.74640329539389]
  特徴選択と識別可能な$k $-NNグラフ学習を同時に行うディープFS法を提案する。 我々は、ニューラルネットワークで$ k $-NNグラフを学習する際の非微分可能性問題に対処するために、最適輸送理論を用いる。 本モデルの有効性を,合成データセットと実世界のデータセットの両方で広範な実験により検証する。
  論文  参考訳（メタデータ） (2023-05-21T08:15:55Z)
• Ignorance is Bliss: Robust Control via Information Gating [60.17644038829572]
  情報パーシモニーは、ノイズや突発的相関に頑健であることにより、より良い一般化を実現する学習表現に有用な帰納的バイアスを提供する。 本稿では,タスクに必要な最小限の情報を識別する類似表現を学習する手段として,テキスト情報ゲーティングを提案する。
  論文  参考訳（メタデータ） (2023-03-10T18:31:50Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)

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。