Fugu-MT 論文翻訳(概要): Wide & Deep Learning for Node Classification

論文の概要: Wide & Deep Learning for Node Classification

arxiv url: http://arxiv.org/abs/2505.02020v1
Date: Sun, 04 May 2025 07:53:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-06 18:49:35.3846
Title: Wide & Deep Learning for Node Classification
Title（参考訳）: ノード分類のための広義および深層学習
Authors: Yancheng Chen, Wenguo Yang, Zhipeng Jiang,
Abstract要約: グラフ畳み込みネットワーク(GCN)はノード分類タスクにおいて支配的である。本稿では, 相互メモリ, 初期残差, アイデンティティマッピングの3つの手法を取り入れたフレキシブルなフレームワークGCNIIIを提案する。我々は,GCNIIIが過剰適合と過剰一般化のトレードオフをより効果的にバランスできることを示す実証的証拠を提供する。
参考スコア（独自算出の注目度）: 0.7373617024876725
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Wide & Deep, a simple yet effective learning architecture for recommendation systems developed by Google, has had a significant impact in both academia and industry due to its combination of the memorization ability of generalized linear models and the generalization ability of deep models. Graph convolutional networks (GCNs) remain dominant in node classification tasks; however, recent studies have highlighted issues such as heterophily and expressiveness, which focus on graph structure while seemingly neglecting the potential role of node features. In this paper, we propose a flexible framework GCNIII, which leverages the Wide & Deep architecture and incorporates three techniques: Intersect memory, Initial residual and Identity mapping. We provide comprehensive empirical evidence showing that GCNIII can more effectively balance the trade-off between over-fitting and over-generalization on various semi- and full- supervised tasks. Additionally, we explore the use of large language models (LLMs) for node feature engineering to enhance the performance of GCNIII in cross-domain node classification tasks. Our implementation is available at https://github.com/CYCUCAS/GCNIII.
Abstract（参考訳）: Googleが開発したレコメンデーションシステムのためのシンプルだが効果的な学習アーキテクチャであるWide & Deepは、一般化された線形モデルの記憶能力と深層モデルの一般化能力の組み合わせにより、学術と産業の両方に大きな影響を与えた。グラフ畳み込みネットワーク(GCN)はノード分類タスクにおいて支配的だが、近年の研究では、ノードの特徴の潜在的な役割を無視しつつグラフ構造に焦点を当てたヘテロフィリーや表現性といった課題が強調されている。本稿では,ワイド・アンド・ディープ・アーキテクチャを活用したフレキシブル・フレームワークGCNIIIを提案する。我々は、GCNIIIが、様々な半教師付きタスクと完全教師付きタスクにおいて、過剰適合と過剰一般化のトレードオフをより効果的にバランスできることを示す総合的な実証的証拠を提供する。さらに,大規模言語モデル(LLM)をノード特徴工学に利用して,クロスドメインノード分類タスクにおけるGCNIIIの性能向上を図る。実装はhttps://github.com/CYCUCAS/GCNIII.comで公開しています。

関連論文リスト

Mamba-Based Graph Convolutional Networks: Tackling Over-smoothing with Selective State Space [33.677431350509224]
本稿では,Mambaパラダイムからインスピレーションを得た新しいグラフ畳み込みアーキテクチャであるMbaGCNを紹介する。 MbaGCNは、Message Aggregation Layer、Selective State Space Transition Layer、Node State Prediction Layerという3つの重要なコンポーネントで構成されるGNNの新しいバックボーンを提供する。
論文参考訳（メタデータ） (2025-01-26T09:09:44Z)
How to Make LLMs Strong Node Classifiers? [70.14063765424012]
言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。本稿では,ノード分類タスクにおける最先端(SOTA)GNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
論文参考訳（メタデータ） (2024-10-03T08:27:54Z)
Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文参考訳（メタデータ） (2020-09-19T09:26:20Z)
Beyond Localized Graph Neural Networks: An Attributed Motif Regularization Framework [6.790281989130923]
InfoMotifは、グラフ上の半教師付き、モチーフ正規化、学習フレームワークである。グラフニューラルネットワーク(GNN)におけるメッセージパッシングの2つの重要な制限を克服する。 6つの多種多様な実世界のデータセットで有意な増加(3-10%の精度)を示した。
論文参考訳（メタデータ） (2020-09-11T02:03:09Z)
Dynamic GCN: Context-enriched Topology Learning for Skeleton-based Action Recognition [40.467040910143616]
本稿では,新しい畳み込みニューラルネットワークであるContextencoding Network(CeN)を導入し,骨格トポロジを自動的に学習する動的GCNを提案する。 CeNは非常に軽量だが効果的であり、グラフ畳み込み層に埋め込むことができる。動的GCNは、既存のメソッドよりも2時間$4times$少なめのFLOPでパフォーマンスが向上する。
論文参考訳（メタデータ） (2020-07-29T09:12:06Z)
AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
論文参考訳（メタデータ） (2020-07-05T08:16:03Z)
Simple and Deep Graph Convolutional Networks [63.76221532439285]
グラフ畳み込みネットワーク(GCN)は、グラフ構造化データに対する強力なディープラーニングアプローチである。その成功にもかかわらず、現在のGCNモデルは、エムの過度に滑らかな問題のため、ほとんどが浅くなっている。本稿では,2つの単純かつ効果的な手法を用いて,バニラGCNモデルを拡張したGCNIIを提案する。
論文参考訳（メタデータ） (2020-07-04T16:18:06Z)
DeeperGCN: All You Need to Train Deeper GCNs [66.64739331859226]
グラフ畳み込みネットワーク(GCN)はグラフ上での表現学習の力で注目されている。非常に深いレイヤを積み重ねることのできる畳み込みニューラルネットワーク(CNN)とは異なり、GCNはより深く進むと、勾配の消失、過度なスムース化、過度に適合する問題に悩まされる。本稿では,非常に深いGCNを正常かつ確実に訓練できるDeeperGCNを提案する。
論文参考訳（メタデータ） (2020-06-13T23:00:22Z)
Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions [153.6357310444093]
Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
論文参考訳（メタデータ） (2020-03-05T13:05:27Z)
Structural Deep Clustering Network [45.370272344031285]
本研究では,構造情報を深層クラスタリングに統合する構造深層クラスタリングネットワーク(SDCN)を提案する。具体的には、オートエンコーダが学習した表現を対応するGCN層に転送するデリバリ演算子を設計する。このように、低次から高次までの複数のデータ構造は、オートエンコーダによって学習された複数の表現と自然に結合される。
論文参考訳（メタデータ） (2020-02-05T04:33:40Z)

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。