論文の概要: Learning to quantify graph nodes

• arxiv url: http://arxiv.org/abs/2503.15267v1
• Date: Wed, 19 Mar 2025 14:43:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:22:39.841533
• Title: Learning to quantify graph nodes
• Title（参考訳）: グラフノードの定量化学習
• Authors: Alessio Micheli, Alejandro Moreo, Marco Podda, Fabrizio Sebastiani, William Simoni, Domenico Tortorella,
• Abstract要約: ネットワーク量子化は、グラフノードのラベルなし部分集合のクラス比率を推定する問題である。 我々は、教師なしノード埋め込みの柔軟性と効率を相乗化する新しい方法であるXNQを紹介する。 広範に評価した結果,これまで最高のネットワーク量子化手法において,我々のアプローチは一貫して,大幅に改善されていることがわかった。
• 参考スコア（独自算出の注目度）: 46.866048990643066
• License:
• Abstract: Network Quantification is the problem of estimating the class proportions in unlabeled subsets of graph nodes. When prior probability shift is at play, this task cannot be effectively addressed by first classifying the nodes and then counting the class predictions. In addition, unlike non-relational quantification on i.i.d. datapoints, Network Quantification demands enhanced flexibility to capture a broad range of connectivity patterns, resilience to the challenge of heterophily, and efficiency to scale to larger networks. To meet these stringent requirements we introduce XNQ, a novel method that synergizes the flexibility and efficiency of the unsupervised node embeddings computed by randomized recursive Graph Neural Networks, with an Expectation-Maximization algorithm that provides a robust quantification-aware adjustment to the output probabilities of a calibrated node classifier. We validate the design choices underpinning our method through comprehensive ablation experiments. In an extensive evaluation, we find that our approach consistently and significantly improves on the best Network Quantification methods to date, thereby setting the new state of the art for this challenging task. Simultaneously, it provides a training speed-up of up to 10x-100x over other graph learning based methods.
• Abstract（参考訳）: ネットワーク量子化は、グラフノードのラベルなし部分集合のクラス比率を推定する問題である。 事前の確率シフトが実行されている場合、このタスクは、まずノードを分類し、次にクラス予測をカウントすることで、効果的に対処できない。 さらに、i.d.データポイント上の非関係量子化とは異なり、Network Quantificationは幅広い接続パターンを捕捉する柔軟性、ヘテロフィリーの課題に対するレジリエンス、大規模ネットワークへのスケーリング効率の強化を要求している。 これらの厳密な要件を満たすために、ランダム化再帰グラフニューラルネットワークによって計算された教師なしノード埋め込みの柔軟性と効率を相乗化する新しい手法であるXNQと、校正ノード分類器の出力確率に対する堅牢な定量化-認識調整を提供する期待最大化アルゴリズムを紹介する。 包括的アブレーション実験により,本手法の基盤となる設計選択を検証した。 広範に評価した結果,従来のネットワーク量子化手法は従来よりも一貫して大幅に改善され,この課題に対する新たな最先端の手法が確立された。 同時に、他のグラフ学習ベースの方法よりも最大10倍-100倍のトレーニング速度を提供する。

関連論文リスト

• Sparse Decomposition of Graph Neural Networks [20.768412002413843]
  本稿では,集約中に含まれるノード数を削減する手法を提案する。 線形変換された特徴の重み付け和を用いてノード表現の近似を学習し、スパース分解によりこれを実現できる。 提案手法は推論高速化のために設計された他のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-25T17:52:16Z)
• Online Learning Of Expanding Graphs [14.952056744888916]
  本稿では,信号ストリームからグラフを拡張するためのオンラインネットワーク推論の問題に対処する。 ネットワークに加入したばかりのノードや,それまでのノードに対して,さまざまなタイプの更新を可能にする戦略を導入する。
  論文  参考訳（メタデータ） (2024-09-13T09:20:42Z)
• 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)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Scaling Up Graph Neural Networks Via Graph Coarsening [18.176326897605225]
  グラフニューラルネットワーク(GNN)のスケーラビリティは、マシンラーニングにおける大きな課題のひとつだ。 本稿では,GNNのスケーラブルなトレーニングにグラフ粗大化を用いることを提案する。 既成の粗大化法を単純に適用すれば,分類精度を著しく低下させることなく,ノード数を最大10倍に削減できることを示す。
  論文  参考訳（メタデータ） (2021-06-09T15:46:17Z)
• Graph neural network based approximation of Node Resiliency in complex networks [1.629817296011086]
  大規模複雑ネットワークにおけるノードレジリエンスを近似するためのグラフニューラルネットワーク(GNN)に基づくフレームワークを提案する。 提案フレームワークは、ノードの小さな代表部分集合上のノードランクを学習するGNNモデルを定義する。 このフレームワークのスケーラビリティは,実世界のグラフにおけるノードランクの予測を通じて実証される。
  論文  参考訳（メタデータ） (2020-12-26T05:37:18Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)
• Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
  グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。 しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。 本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2020-01-18T09:14:16Z)

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。