論文の概要: PTCL: Pseudo-Label Temporal Curriculum Learning for Label-Limited Dynamic Graph

• arxiv url: http://arxiv.org/abs/2504.17641v1
• Date: Thu, 24 Apr 2025 15:11:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.426951
• Title: PTCL: Pseudo-Label Temporal Curriculum Learning for Label-Limited Dynamic Graph
• Title（参考訳）: PTCL:ラベルリミット動的グラフのための擬似ラベル時間カリキュラム学習
• Authors: Shengtao Zhang, Haokai Zhang, Shiqi Lou, Zicheng Wang, Zinan Zeng, Yilin Wang, Minnan Luo,
• Abstract要約: 動的ノード分類は、金融トランザクションや学術的なコラボレーションのような進化するシステムをモデル化するために重要である。 アノテーションのコストとラベルの不確実性のため,すべての動的ラベルを現実のシナリオで収集することは困難である。 本稿では,ラベル制限付き動的ノード分類の先駆的手法であるPTCLを提案する。
• 参考スコア（独自算出の注目度）: 22.78831582526477
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic node classification is critical for modeling evolving systems like financial transactions and academic collaborations. In such systems, dynamically capturing node information changes is critical for dynamic node classification, which usually requires all labels at every timestamp. However, it is difficult to collect all dynamic labels in real-world scenarios due to high annotation costs and label uncertainty (e.g., ambiguous or delayed labels in fraud detection). In contrast, final timestamp labels are easier to obtain as they rely on complete temporal patterns and are usually maintained as a unique label for each user in many open platforms, without tracking the history data. To bridge this gap, we propose PTCL(Pseudo-label Temporal Curriculum Learning), a pioneering method addressing label-limited dynamic node classification where only final labels are available. PTCL introduces: (1) a temporal decoupling architecture separating the backbone (learning time-aware representations) and decoder (strictly aligned with final labels), which generate pseudo-labels, and (2) a Temporal Curriculum Learning strategy that prioritizes pseudo-labels closer to the final timestamp by assigning them higher weights using an exponentially decaying function. We contribute a new academic dataset (CoOAG), capturing long-range research interest in dynamic graph. Experiments across real-world scenarios demonstrate PTCL's consistent superiority over other methods adapted to this task. Beyond methodology, we propose a unified framework FLiD (Framework for Label-Limited Dynamic Node Classification), consisting of a complete preparation workflow, training pipeline, and evaluation standards, and supporting various models and datasets. The code can be found at https://github.com/3205914485/FLiD.
• Abstract（参考訳）: 動的ノード分類は、金融トランザクションや学術的なコラボレーションのような進化するシステムをモデル化するために重要である。 このようなシステムでは、動的ノード情報の変更を動的にキャプチャすることは、動的ノード分類において重要である。 しかし、アノテーションコストやラベルの不確実性(不正検出における不明瞭なラベルや遅延ラベルなど)のため、現実のシナリオにおいて全ての動的ラベルを収集することは困難である。 対照的に、最終的なタイムスタンプラベルは、完全な時間パターンに依存しているため入手が容易であり、通常、履歴データを追跡することなく、多くのオープンプラットフォームにおいて、各ユーザのためのユニークなラベルとして維持される。 このギャップを埋めるために,ラベル限定動的ノード分類に対処する先駆的手法PTCL(Pseudo-label Temporal Curriculum Learning)を提案する。 PTCL では,(1) 擬似ラベルを生成するバックボーン(学習時対応表現)とデコーダ(学習時対応表現)を分離した時空間デカップリングアーキテクチャ,(2) 指数的減衰関数を用いて重み付けを行うことで,擬似ラベルを最終時刻に近い位置に優先順位付けする時間的カリキュラム学習戦略を導入する。 我々は新しい学術データセット(CoOAG)をコントリビュートし、動的グラフに対する長期研究の関心を捉えた。 実世界のシナリオにまたがる実験では、PTCLは、このタスクに適応した他のメソッドよりも一貫した優位性を示している。 方法論以外にも、完全な準備ワークフロー、トレーニングパイプライン、評価標準で構成され、さまざまなモデルとデータセットをサポートする統合フレームワークFLiD (Framework for Label-Limited Dynamic Node Classification) を提案する。 コードはhttps://github.com/3205914485/FLiDで見ることができる。

関連論文リスト

• GOTHAM: Graph Class Incremental Learning Framework under Weak Supervision [6.886009879500963]
  グラフ解析では、ラベルなしノードは事前に定義されたクラスに分類される。 従来の方法では、トレーニングに十分なラベル付きデータを前提としていますが、必ずしも実現不可能ではありません。 Weak Supervision (GCL)の下でemphGraph Class Incremental Learningを提案する。
  論文  参考訳（メタデータ） (2025-04-07T11:39:13Z)
• Scribbles for All: Benchmarking Scribble Supervised Segmentation Across Datasets [51.74296438621836]
  Scribbles for Allは、スクリブルラベルに基づいて訓練されたセマンティックセグメンテーションのためのラベルおよびトレーニングデータ生成アルゴリズムである。 弱い監督の源泉としてのスクリブルの主な制限は、スクリブルセグメンテーションのための挑戦的なデータセットの欠如である。 Scribbles for Allは、いくつかの人気のあるセグメンテーションデータセットのスクリブルラベルを提供し、密集したアノテーションを持つデータセットのスクリブルラベルを自動的に生成するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-08-22T15:29:08Z)
• Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
  imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。 我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
  論文  参考訳（メタデータ） (2023-05-22T04:50:28Z)
• Exploring Structured Semantic Prior for Multi Label Recognition with Incomplete Labels [60.675714333081466]
  不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。 最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。 我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
  論文  参考訳（メタデータ） (2023-03-23T12:39:20Z)
• Multi-Label Continual Learning using Augmented Graph Convolutional Network [7.115602040521868]
  Multi-Label Continual Learningは、シーケンシャルなマルチラベル画像認識データストリームにクラスインクリメンタルフレームワークを構築する。 この研究は、MLCLにおけるクロスタスクラベル関係を構築することができるAGCN++(Augmented Graph Convolutional Network)を提案する。 提案手法は2つのマルチラベル画像ベンチマークを用いて評価する。
  論文  参考訳（メタデータ） (2022-11-27T08:40:19Z)
• TagRec++: Hierarchical Label Aware Attention Network for Question Categorization [0.3683202928838613]
  オンライン学習システムは、階層的な性質の明確に定義された分類に従ってコンテンツを整理する。 階層ラベルへの入力を分類するタスクは通常、フラットな多クラス分類問題として扱われる。 各コンテンツに対して適切な階層ラベルを検索するために,タスクを高密度検索問題として定式化する。
  論文  参考訳（メタデータ） (2022-08-10T05:08:37Z)
• Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
  本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。 比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
  論文  参考訳（メタデータ） (2022-04-27T21:41:44Z)
• A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
  トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。 事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。 本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
  論文  参考訳（メタデータ） (2021-04-21T14:34:33Z)
• Learning Soft Labels via Meta Learning [3.4852307714135375]
  シングルホットラベルは概念間のソフトな決定境界を表現していないため、トレーニングされたモデルは過度に適合する傾向にある。 そこで我々は,ラベルを学習可能なパラメータとして扱い,モデルパラメータとともに最適化するフレームワークを提案する。 本研究では, 学習ラベルがクラス間の意味的関係を捉え, 蒸留の下流作業における教師モデルを改善することを示す。
  論文  参考訳（メタデータ） (2020-09-20T18:42:13Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)

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。