論文の概要: Graph Neural Network-based Spectral Filtering Mechanism for Imbalance Classification in Network Digital Twin

• arxiv url: http://arxiv.org/abs/2502.11505v2
• Date: Thu, 15 May 2025 05:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 14:06:36.041268
• Title: Graph Neural Network-based Spectral Filtering Mechanism for Imbalance Classification in Network Digital Twin
• Title（参考訳）: ネットワークディジタル双対における不均衡分類のためのグラフニューラルネットワークを用いたスペクトルフィルタリング機構
• Authors: Abubakar Isah, Ibrahim Aliyu, Sulaiman Muhammad Rashid, Jaehyung Park, Minsoo Hahn, Jinsul Kim,
• Abstract要約: 5Gネットワークのディジタルツインは、障害タイプを特定する主要な方法としてグラフ分類を採用することが多い。 故障発生のスキュード分布は、実用的なグラフデータマイニングを防止する重要なクラス不均衡問題である。 本稿では、クラス指向スペクトルフィルタリング機構を導入し、正確な分類を保証するクラスフーリエGNN(CF-GNN)を提案する。
• 参考スコア（独自算出の注目度）: 1.3744158081557412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks are gaining attention in fifth-generation (5G) core network digital twins, which are data-driven complex systems with numerous components. Analyzing these data can be challenging due to rare failure types, leading to imbalanced classification in multiclass settings. Digital twins of 5G networks increasingly employ graph classification as the main method for identifying failure types. However, the skewed distribution of failure occurrences is a significant class-imbalance problem that prevents practical graph data mining. Previous studies have not sufficiently addressed this complex problem. This paper, proposes class-Fourier GNN (CF-GNN) that introduces a class-oriented spectral filtering mechanism to ensure precise classification by estimating a unique spectral filter for each class. This work employs eigenvalue and eigenvector spectral filtering to capture and adapt to variations in minority classes, ensuring accurate class-specific feature discrimination, and adept at graph representation learning for complex local structures among neighbors in an end-to-end setting. The extensive experiments demonstrate that the proposed CF-GNN could help create new techniques for enhancing classifiers and investigate the characteristics of the multiclass imbalanced data in a network digital twin system.
• Abstract（参考訳）: グラフニューラルネットワークは、多数のコンポーネントを持つデータ駆動複合システムである第5世代(5G)コアネットワークディジタルツインで注目を集めている。 これらのデータを分析することは、まれな障害タイプのために困難になり、マルチクラス設定における不均衡な分類につながる可能性がある。 5Gネットワークのディジタルツインは、障害タイプを特定する主要な方法としてグラフ分類を採用することが多い。 しかし、故障発生のスキュード分布は、実用的なグラフデータマイニングを防止する重要なクラス不均衡問題である。 これまでの研究では、この複雑な問題に十分に対処できていない。 本稿では,クラス指向のスペクトルフィルタリング機構を導入し,各クラスに対して独自のスペクトルフィルタを推定することにより,正確な分類を保証するクラスフーリエGNN(CF-GNN)を提案する。 この研究は固有値と固有ベクトルスペクトルフィルタリングを用いて、少数クラスの変動を捕捉し、適応させ、正確なクラス固有の特徴識別を保証し、エンドツーエンドの設定で近隣の複雑な局所構造に対するグラフ表現学習に適応する。 大規模実験により,提案するCF-GNNは,ネットワークディジタルツインシステムにおいて,分類器の強化とマルチクラス不均衡データの特徴の解明に有効であることが示された。

関連論文リスト

• Graph Neural Networks Are More Than Filters: Revisiting and Benchmarking from A Spectral Perspective [49.613774305350084]
  グラフニューラルネットワーク(GNN)は、様々なグラフベースの学習タスクにおいて顕著な成功を収めている。 近年の研究では、非線形層などの他のコンポーネントが、GNNがスペクトル領域の入力グラフデータをどのように処理するかに大きく影響する可能性が示唆されている。 本稿では、入力グラフデータの異なる周波数成分に符号化された情報を捕捉し、活用する際のGNNの能力を評価するための総合的なベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-10T04:53:53Z)
• Beyond 5G Network Failure Classification for Network Digital Twin Using Graph Neural Network [0.4660328753262075]
  ネットワークデジタルツイン(NDT)の第5世代(5G)コアネットワークは、多数のコンポーネントを持つ複雑なシステムであり、かなりのデータを生成する。 NDT用に設計されたメッセージパッシングニューラルネットワーク(MPNN)にグラフフーリエ変換(GFT)を統合する新しい手法を提案する。 このアプローチは、実およびシミュレーションされたNDT環境での障害タイプを特定し、5Gおよびそれ以上のネットワークにおける正確な障害分類の可能性を示す。
  論文  参考訳（メタデータ） (2024-06-06T07:36:25Z)
• 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)
• 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)
• EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
  グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。 偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
  論文  参考訳（メタデータ） (2022-05-27T10:48:14Z)
• Graph Neural Network with Curriculum Learning for Imbalanced Node Classification [21.085314408929058]
  グラフニューラルネットワーク(GNN)は,ノード分類などのグラフベースの学習タスクの新興技術である。 本研究では,ノードラベルの不均衡に対するGNNの脆弱性を明らかにする。 本稿では,2つのモジュールからなるカリキュラム学習(GNN-CL)を備えたグラフニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-05T10:46:11Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)
• 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)
• Removing Class Imbalance using Polarity-GAN: An Uncertainty Sampling Approach [0.0]
  本稿では,ジェネレータネットワークg,判別器ネットワークd,分類器ネットワークcを備えた生成型逆ネットワーク(gan)を提案する。 FashionMNIST, MNIST, SVHN, ExDark, MVTec Anomaly データセット, Chest X-Ray データセット上での極端視覚的分類タスクにおけるアートパフォーマンスの状況について述べる。
  論文  参考訳（メタデータ） (2020-12-09T09:40:07Z)
• Discriminative feature generation for classification of imbalanced data [6.458496335718508]
  マイノリティクラスデータセットを対象とした新しい分類特徴生成法(DFG)を提案する。 DFGは、4つの独立したネットワークからなる生成的敵ネットワークの修正された構造に基づいている。 実験結果から,DFGジェネレータはラベル保存および多彩な特徴の増大を促進することが示された。
  論文  参考訳（メタデータ） (2020-10-24T12:19:05Z)
• Discriminability of Single-Layer Graph Neural Networks [172.5042368548269]
  グラフニューラルネットワーク(GNN)は、幅広い問題について有望な性能を示した。 本稿では, 識別可能性の特性に着目し, 安定グラフフィルタバンクへのポイントワイド非線形性の適用により, 高固有値コンテンツに対する識別能力が向上する条件を確立する。
  論文  参考訳（メタデータ） (2020-10-17T18:52:34Z)

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。