論文の概要: Uncertainty-Aware Graph Structure Learning

• arxiv url: http://arxiv.org/abs/2502.12618v1
• Date: Tue, 18 Feb 2025 08:03:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:06:24.214619
• Title: Uncertainty-Aware Graph Structure Learning
• Title（参考訳）: 不確実性を考慮したグラフ構造学習
• Authors: Shen Han, Zhiyao Zhou, Jiawei Chen, Zhezheng Hao, Sheng Zhou, Gang Wang, Yan Feng, Chun Chen, Can Wang,
• Abstract要約: グラフ構造学習(GSL)は,ノード接続を適応的に洗練する有望な手法である。 UnGSLはノード情報の不確実性を推定し、方向接続の強度を調整する。 実験では,UnGSLを6つの代表GSLメソッドに実装し,一貫した性能向上を実証した。
• 参考スコア（独自算出の注目度）: 22.664953271871756
• License:
• Abstract: Graph Neural Networks (GNNs) have become a prominent approach for learning from graph-structured data. However, their effectiveness can be significantly compromised when the graph structure is suboptimal. To address this issue, Graph Structure Learning (GSL) has emerged as a promising technique that refines node connections adaptively. Nevertheless, we identify two key limitations in existing GSL methods: 1) Most methods primarily focus on node similarity to construct relationships, while overlooking the quality of node information. Blindly connecting low-quality nodes and aggregating their ambiguous information can degrade the performance of other nodes. 2) The constructed graph structures are often constrained to be symmetric, which may limit the model's flexibility and effectiveness. To overcome these limitations, we propose an Uncertainty-aware Graph Structure Learning (UnGSL) strategy. UnGSL estimates the uncertainty of node information and utilizes it to adjust the strength of directional connections, where the influence of nodes with high uncertainty is adaptively reduced.Importantly, UnGSL serves as a plug-in module that can be seamlessly integrated into existing GSL methods with minimal additional computational cost. In our experiments, we implement UnGSL into six representative GSL methods, demonstrating consistent performance improvements. The code is available at https://github.com/UnHans/UnGSL.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化データから学ぶための顕著なアプローチとなっている。 しかし、グラフ構造が最適以下である場合、それらの効果は著しく損なわれる。 この問題に対処するため、グラフ構造学習(GSL)がノード接続を適応的に洗練する有望な技術として登場した。 それにもかかわらず、既存のGSL法には2つの重要な制限がある。 1) ほとんどの手法は,ノード情報の質を軽視しながら,ノードの類似性や関係構築に重点を置いている。 低品質なノードを盲目的に接続し、あいまいな情報を集約することで、他のノードのパフォーマンスを低下させることができる。 2) 構築されたグラフ構造は、しばしば対称に制約されるため、モデルの柔軟性と有効性を制限する可能性がある。 これらの制約を克服するために,不確実性を考慮したグラフ構造学習(UnGSL)戦略を提案する。 UnGSLは、ノード情報の不確実性を推定し、高い不確実性を持つノードの影響を適応的に低減する方向接続の強度を調整するために利用し、また、UnGSLは、既存のGSLメソッドにシームレスに統合できるプラグインモジュールとして、最小の計算コストで機能する。 実験では,UnGSLを6つの代表GSLメソッドに実装し,一貫した性能向上を実証した。 コードはhttps://github.com/UnHans/UnGSLで入手できる。

関連論文リスト

• Rethinking Structure Learning For Graph Neural Networks [16.753943955505406]
  グラフ構造学習(GSL)は、元のグラフ構造を再構築または洗練するために広く応用されている。 GSLは一般にGNNの性能を改善すると考えられているが、その効果を定量化するための理論的分析は存在しない。 本稿では,GSLベース,新しい構造構築,ビュー融合という3つのステップを含む新しいGSLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-12T09:39:22Z)
• GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• OpenGSL: A Comprehensive Benchmark for Graph Structure Learning [40.50100033304329]
  グラフ構造学習(GSL)の最初の包括的なベンチマークであるOpenGSLを紹介する。 OpenGSLは、様々な一般的なデータセットで評価することで、最先端のGSLメソッドの公平な比較を可能にする。 学習した構造のホモフィリィとタスクパフォーマンスとの間に有意な相関は見られず、共通の信念に挑戦する。
  論文  参考訳（メタデータ） (2023-06-17T07:22:25Z)
• 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)
• Structural Imbalance Aware Graph Augmentation Learning [2.793446335600599]
  グラフはしばしば構造的に不均衡であり、いくつかのハブノードだけがより密な局所構造を持ち、より強い影響を持つ。 本稿では,この問題を解決するために,選択的グラフ拡張法(SAug)を提案する。 大規模な実験により、SAugはバックボーンのGNNを大幅に改善し、競合他社よりも優れたパフォーマンスを達成できることが示された。
  論文  参考訳（メタデータ） (2023-03-24T02:13:32Z)
• SE-GSL: A General and Effective Graph Structure Learning Framework through Structural Entropy Optimization [67.28453445927825]
  グラフニューラルネットワーク(GNN)は、構造的データ学習のデファクトソリューションである。 既存のグラフ構造学習(GSL)フレームワークには、堅牢性と解釈性がない。 本稿では、構造エントロピーと符号化木に抽象化されたグラフ階層を通して、一般的なGSLフレームワークSE-GSLを提案する。
  論文  参考訳（メタデータ） (2023-03-17T05:20:24Z)
• Self-organization Preserved Graph Structure Learning with Principle of Relevant Information [72.83485174169027]
  PRI-GSLは、自己組織化を特定し、隠された構造を明らかにするグラフ構造学習フレームワークである。 PRI-GSLは、フォン・ノイマンエントロピーと量子ジェンセン=シャノンの発散によって定量化された最も関連性が最も低い冗長な情報を含む構造を学ぶ。
  論文  参考訳（メタデータ） (2022-12-30T16:02:02Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Self-supervised Learning on Graphs: Deep Insights and New Direction [66.78374374440467]
  自己教師付き学習(SSL)は、ラベルのないデータにドメイン固有のプレテキストタスクを作成することを目的としている。 グラフニューラルネットワーク(GNN)の形でのグラフ領域へのディープラーニングの一般化への関心が高まっている。
  論文  参考訳（メタデータ） (2020-06-17T20:30:04Z)

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。