論文の概要: AugWard: Augmentation-Aware Representation Learning for Accurate Graph Classification

• arxiv url: http://arxiv.org/abs/2503.21105v1
• Date: Thu, 27 Mar 2025 02:58:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:51:47.451166
• Title: AugWard: Augmentation-Aware Representation Learning for Accurate Graph Classification
• Title（参考訳）: AugWard: 正確なグラフ分類のための拡張認識表現学習
• Authors: Minjun Kim, Jaehyeon Choi, SeungJoo Lee, Jinhong Jung, U Kang,
• Abstract要約: AugWardはグラフ拡張によって導入された多様性を考慮に入れたグラフ表現学習フレームワークである。 AugWardは、拡張グラフと元のグラフの間のグラフ距離を予測するために、拡張対応トレーニングを適用している。 その結果, AugWardは, 教師付き半教師付きグラフ分類, 転送学習において, 最先端の性能を提供することがわかった。
• 参考スコア（独自算出の注目度）: 16.7104207718009
• License:
• Abstract: How can we accurately classify graphs? Graph classification is a pivotal task in data mining with applications in social network analysis, web analysis, drug discovery, molecular property prediction, etc. Graph neural networks have achieved the state-of-the-art performance in graph classification, but they consistently struggle with overfitting. To mitigate overfitting, researchers have introduced various representation learning methods utilizing graph augmentation. However, existing methods rely on simplistic use of graph augmentation, which loses augmentation-induced differences and limits the expressiveness of representations. In this paper, we propose AugWard (Augmentation-Aware Training with Graph Distance and Consistency Regularization), a novel graph representation learning framework that carefully considers the diversity introduced by graph augmentation. AugWard applies augmentation-aware training to predict the graph distance between the augmented graph and its original one, aligning the representation difference directly with graph distance at both feature and structure levels. Furthermore, AugWard employs consistency regularization to encourage the classifier to handle richer representations. Experimental results show that AugWard gives the state-of-the-art performance in supervised, semi-supervised graph classification, and transfer learning.
• Abstract（参考訳）: グラフを正確に分類するには? グラフ分類は、ソーシャルネットワーク分析、Web分析、薬物発見、分子特性予測などにおけるデータマイニングにおける重要なタスクである。 グラフニューラルネットワークは、グラフ分類における最先端のパフォーマンスを達成したが、相変わらず過度な適合に苦戦している。 オーバーフィッティングを緩和するため、研究者はグラフ強化を利用した様々な表現学習手法を導入した。 しかし、既存の手法はグラフ拡張の単純化的な利用に依存しており、これは拡張によって引き起こされる差を失い、表現の表現性を制限する。 本稿では,グラフ拡張による多様性を慎重に検討する新しいグラフ表現学習フレームワークであるAugWardを提案する。 AugWardは拡張学習を適用して、拡張グラフと元のグラフの間のグラフ距離を予測し、表現差を直接特徴レベルと構造レベルでグラフ距離と整合させる。 さらに、AugWardは、よりリッチな表現を扱うように分類器を奨励するために、一貫性の正規化を採用している。 実験結果から,AugWardは教師付き半教師付きグラフ分類と伝達学習において,最先端の性能を提供することがわかった。

関連論文リスト

• Motif-Consistent Counterfactuals with Adversarial Refinement for Graph-Level Anomaly Detection [30.618065157205507]
  本稿では,グラフレベルの異常検出のための新しい手法Motif-consistent Counterfactuals with Adversarial Refinement (MotifCAR)を提案する。 このモデルは、あるグラフのモチーフと、識別(カテゴリ)情報を含むコアサブグラフと、別のグラフのコンテキストサブグラフを組み合わせて、生の反事実グラフを生成する。 MotifCARは高品質な反ファクトグラフを生成することができる。
  論文  参考訳（メタデータ） (2024-07-18T08:04:57Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• Model-Agnostic Augmentation for Accurate Graph Classification [19.824105919844495]
  グラフ拡張は、グラフベースのタスクのパフォーマンスを改善するための重要な戦略である。 本研究では,有効拡張のための5つの望ましい特性を紹介する。 ソーシャルネットワークと分子グラフに関する実験により、NodeSamとSubMixはグラフ分類における既存のアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2022-02-21T10:37:53Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• Bootstrapping Informative Graph Augmentation via A Meta Learning Approach [21.814940639910358]
  グラフコントラスト学習では、ベンチマーク手法は様々なグラフ拡張アプローチを適用する。 拡張法のほとんどは学習不可能であり、不便な拡張グラフを生成する問題を引き起こす。 私たちはMEGA(Meta Graph Augmentation)と呼ばれる学習可能なグラフオーグメンタによるグラフ生成を動機付けている。
  論文  参考訳（メタデータ） (2022-01-11T07:15:13Z)
• Unbiased Graph Embedding with Biased Graph Observations [52.82841737832561]
  基礎となるバイアスのないグラフから学習することで、バイアスのない表現を得るための、原則化された新しい方法を提案する。 この新たな視点に基づいて、そのような基礎となるグラフを明らかにするための2つの補完的手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T18:44:37Z)
• Graph Contrastive Learning with Augmentations [109.23158429991298]
  グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
  論文  参考訳（メタデータ） (2020-10-22T20:13:43Z)

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。