論文の概要: NodeReg: Mitigating the Imbalance and Distribution Shift Effects in Semi-Supervised Node Classification via Norm Consistency

• arxiv url: http://arxiv.org/abs/2503.03211v1
• Date: Wed, 05 Mar 2025 06:06:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:53:19.230108
• Title: NodeReg: Mitigating the Imbalance and Distribution Shift Effects in Semi-Supervised Node Classification via Norm Consistency
• Title（参考訳）: NodeReg: Norm整合性による半監督ノード分類における不均衡と分散シフト効果の緩和
• Authors: Shenzhi Yang, Jun Xia, Jingbo Zhou, Xingkai Yao, Xiaofang Zhang,
• Abstract要約: ノード表現のノルムの整合性を確保することで、これらの2つの問題がGNNに与える影響を大幅に低減できることがわかった。 本稿ではノード表現ノルムの整合性を強制するノードRegという正規化最適化手法を提案する。
• 参考スコア（独自算出の注目度）: 18.128817550449984
• License:
• Abstract: Aggregating information from neighboring nodes benefits graph neural networks (GNNs) in semi-supervised node classification tasks. Nevertheless, this mechanism also renders nodes susceptible to the influence of their neighbors. For instance, this will occur when the neighboring nodes are imbalanced or the neighboring nodes contain noise, which can even affect the GNN's ability to generalize out of distribution. We find that ensuring the consistency of the norm for node representations can significantly reduce the impact of these two issues on GNNs. To this end, we propose a regularized optimization method called NodeReg that enforces the consistency of node representation norms. This method is simple but effective and satisfies Lipschitz continuity, thus facilitating stable optimization and significantly improving semi-supervised node classification performance under the above two scenarios. To illustrate, in the imbalance scenario, when training a GCN with an imbalance ratio of 0.1, NodeReg outperforms the most competitive baselines by 1.4%-25.9% in F1 score across five public datasets. Similarly, in the distribution shift scenario, NodeReg outperforms the most competitive baseline by 1.4%-3.1% in accuracy.
• Abstract（参考訳）: 近隣ノードからの情報の集約は、半教師付きノード分類タスクにおいてグラフニューラルネットワーク(GNN)の恩恵を受ける。 それでも、このメカニズムは、隣人の影響を受けやすいノードをレンダリングする。 例えば、隣のノードが不均衡であったり、隣のノードがノイズを含んでいたりすると、これはGNNの分布から一般化する能力に影響を与えます。 ノード表現のノルムの整合性を確保することで、これらの2つの問題がGNNに与える影響を大幅に低減できることがわかった。 この目的のために,ノード表現規範の一貫性を強制するNodeRegという正規化最適化手法を提案する。 この手法は単純だが有効であり、リプシッツの連続性を満足し、安定な最適化を容易にし、上記の2つのシナリオで半教師付きノード分類性能を大幅に改善する。 不均衡なシナリオで、GCNを0.1の不均衡比でトレーニングする場合、NodeRegは5つの公開データセットでF1スコアの1.4%-25.9%で最も競争力のあるベースラインを上回っている。 同様に、分散シフトのシナリオでは、NodeRegは1.4%-3.1%の精度で最も競争力のあるベースラインを上回っている。

関連論文リスト

• Normalize Then Propagate: Efficient Homophilous Regularization for Few-shot Semi-Supervised Node Classification [7.704427722704987]
  グラフニューラルネットワーク(GNN)は、半教師付きノード分類において顕著な能力を示した。 既存のGNNの多くは、トレーニングのために大量のラベル付きデータに大きく依存している。 我々は、ラベルのないノードのホモフィリーな仮定を利用して、追加の監視信号を生成する、NormPropという新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-15T05:01:14Z)
• A Topological Perspective on Demystifying GNN-Based Link Prediction Performance [72.06314265776683]
  トポロジカル濃度 (TC) は、各ノードの局所部分グラフと隣人の部分グラフの交点に基づいている。 また,TCLは,次数や部分グラフ密度などの他のノードレベルのトポロジ指標よりもLP性能と高い相関性を示した。 我々は, 近似トポロジカル濃度 (ATC) を提案し, 理論的・経験的にTC近似の有効性を正当化し, 複雑さを低減させる。
  論文  参考訳（メタデータ） (2023-10-06T22:07:49Z)
• Semantic-aware Node Synthesis for Imbalanced Heterogeneous Information Networks [51.55932524129814]
  意味認識ノード合成(SNS)と呼ばれる不均衡HINにおける意味的不均衡問題の最初の方法を提案する。 SNSは、異種隣接ノードを適応的に選択し、マイノリティのセマンティクスを維持しながら、合成ノードでネットワークを増強する。 また,HGNNに対してセマンティックおよびクラスの観点から合成ノードの表現を制約する2つの正規化手法を導入する。
  論文  参考訳（メタデータ） (2023-02-27T00:21:43Z)
• Revisiting Heterophily For Graph Neural Networks [42.41238892727136]
  グラフニューラルネットワーク(GNN)は、関係帰納バイアスに基づくグラフ構造を用いて基本ニューラルネットワーク(NN)を拡張する(ホモフィリー仮定) 最近の研究は、NNと比較してパフォーマンスが不十分な、非自明なデータセットのセットを特定している。
  論文  参考訳（メタデータ） (2022-10-14T08:00:26Z)
• ResNorm: Tackling Long-tailed Degree Distribution Issue in Graph Neural Networks via Normalization [80.90206641975375]
  本稿では,正規化によるGNNの性能向上に焦点をあてる。 グラフ中のノード次数の長期分布を調べることにより、GNNの新しい正規化法を提案する。 ResNormの$scale$操作は、尾ノードの精度を向上させるために、ノード単位の標準偏差(NStd)分布を再設定する。
  論文  参考訳（メタデータ） (2022-06-16T13:49:09Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• Distance-wise Prototypical Graph Neural Network in Node Imbalance Classification [9.755229198654922]
  本研究では,不均衡なグラフデータに対して,距離ワイドなプロトタイプグラフニューラルネットワーク(DPGNN)を提案する。 提案した DPGNN は, ほぼ常に他のベースラインよりも優れており, 不均衡ノード分類におけるその有効性を示している。
  論文  参考訳（メタデータ） (2021-10-22T19:43:15Z)
• Towards Deeper Graph Neural Networks with Differentiable Group Normalization [61.20639338417576]
  グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。 オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。 2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
  論文  参考訳（メタデータ） (2020-06-12T07:18:02Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。