論文の概要: Exploiting Text Semantics for Few and Zero Shot Node Classification on Text-attributed Graph

• arxiv url: http://arxiv.org/abs/2505.08168v1
• Date: Tue, 13 May 2025 02:06:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.392697
• Title: Exploiting Text Semantics for Few and Zero Shot Node Classification on Text-attributed Graph
• Title（参考訳）: テキスト属性グラフを用いた少数・ゼロショットノード分類のためのテキストセマンティクスのエクスプロイト
• Authors: Yuxiang Wang, Xiao Yan, Shiyu Jin, Quanqing Xu, Chuang Hu, Yuanyuan Zhu, Bo Du, Jia Wu, Jiawei Jiang,
• Abstract要約: テキスト分散グラフ(TAG)は、各グラフノードにテキスト記述を提供する。 テキストセマンティックス拡張(TSA)を提案する。
• 参考スコア（独自算出の注目度）: 45.61861034952655
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-attributed graph (TAG) provides a text description for each graph node, and few- and zero-shot node classification on TAGs have many applications in fields such as academia and social networks. Existing work utilizes various graph-based augmentation techniques to train the node and text embeddings, while text-based augmentations are largely unexplored. In this paper, we propose Text Semantics Augmentation (TSA) to improve accuracy by introducing more text semantic supervision signals. Specifically, we design two augmentation techniques, i.e., positive semantics matching and negative semantics contrast, to provide more reference texts for each graph node or text description. Positive semantic matching retrieves texts with similar embeddings to match with a graph node. Negative semantic contrast adds a negative prompt to construct a text description with the opposite semantics, which is contrasted with the original node and text. We evaluate TSA on 5 datasets and compare with 13 state-of-the-art baselines. The results show that TSA consistently outperforms all baselines, and its accuracy improvements over the best-performing baseline are usually over 5%.
• Abstract（参考訳）: テキスト分散グラフ(TAG)はグラフノード毎のテキスト記述を提供し、TAG上の少数およびゼロショットノード分類は、アカデミックやソーシャルネットワークなどの分野に多くの応用がある。 既存の作業では、さまざまなグラフベースの拡張技術を使ってノードとテキストの埋め込みをトレーニングしていますが、テキストベースの拡張はほとんど探索されていません。 本稿では,テキストセマンティックス向上のためのテキストセマンティックス拡張(TSA)を提案する。 具体的には、グラフノードやテキスト記述の参照テキストをより多く提供するために、正のセマンティクスマッチングと負のセマンティクスコントラストという2つの拡張テクニックを設計する。 正のセマンティックマッチングは、グラフノードにマッチするように、同様の埋め込みを持つテキストを検索する。 負のセマンティックコントラストは、元のノードやテキストと対照的な、反対のセマンティクスを持つテキスト記述を構築するための負のプロンプトを追加する。 5つのデータセット上でTSAを評価し,13の最先端ベースラインと比較した。 その結果、TSAは全てのベースラインを一貫して上回り、最高性能のベースラインよりも精度が5%以上向上していることがわかった。

関連論文リスト

• Hound: Hunting Supervision Signals for Few and Zero Shot Node Classification on Text-attributed Graph [41.418865119712194]
  テキスト分散グラフ(英: Text-attributed graph、TAG)は、各ノードのテキスト記述を伴うグラフ構造化データの重要なタイプである。 TAG 上のゼロショットノード分類は、アカデミックやソーシャルネットワークなどの分野に多くの応用がある。 我々は、より多くの監視信号を導入して精度を向上させるためにハウンドを提案する。
  論文  参考訳（メタデータ） (2024-09-01T14:20:01Z)
• Pre-Training and Prompting for Few-Shot Node Classification on Text-Attributed Graphs [35.44563283531432]
  テキスト分散グラフ(英: Text-attributed graph、TAG)は、生のテキストに関連付けられた各ノードを持つ、現実世界の重要なグラフ構造化データの一種である。 TAGでは、従来の数発のノード分類手法が、事前処理されたノード機能で直接トレーニングを行う。 P2TAGは、グラフ事前学習とプロンプトを備えたTAG上の少数ショットノード分類のためのフレームワークである。
  論文  参考訳（メタデータ） (2024-07-22T07:24:21Z)
• GAugLLM: Improving Graph Contrastive Learning for Text-Attributed Graphs with Large Language Models [33.3678293782131]
  本研究は,テキスト分散グラフ(TAG)の自己教師付きグラフ学習に関する研究である。 言語指導によるビュージェネレーションの改善を目指しています。 これは、リッチなセマンティック情報を持つグラフ構造を補完する、実際のアプリケーションにおけるテキスト属性の出現によって引き起こされる。
  論文  参考訳（メタデータ） (2024-06-17T17:49:19Z)
• Learning Multiplex Representations on Text-Attributed Graphs with One Language Model Encoder [55.24276913049635]
  テキスト分散グラフ上での多重表現学習のための新しいフレームワークMETAGを提案する。 既存の手法とは対照的に、MeTAGは1つのテキストエンコーダを使用して関係性間の共有知識をモデル化する。 学術分野と電子商取引分野の5つのグラフにおいて,9つの下流タスクについて実験を行った。
  論文  参考訳（メタデータ） (2023-10-10T14:59:22Z)
• ConGraT: Self-Supervised Contrastive Pretraining for Joint Graph and Text Embeddings [20.25180279903009]
  テキスト分散グラフ(TAG)におけるテキストとノードの分離表現を共同学習するためのContrastive Graph-Text Pretraining(ConGraT)を提案する。 提案手法は言語モデル(LM)とグラフニューラルネットワーク(GNN)を訓練し,CLIPにインスパイアされたバッチワイドコントラスト学習目標を用いて,それらの表現を共通の潜在空間に整列させる。 実験により、ConGraTは、ノードとテキストのカテゴリ分類、リンク予測、言語モデリングなど、さまざまな下流タスクのベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-23T17:53:30Z)
• Hierarchical Heterogeneous Graph Representation Learning for Short Text Classification [60.233529926965836]
  短文分類のためのグラフニューラルネットワーク(GNN)に基づく ShiNE と呼ばれる新しい手法を提案する。 まず,短文データセットを単語レベル成分グラフからなる階層的不均一グラフとしてモデル化する。 そして、類似した短いテキスト間の効果的なラベル伝搬を容易にするショート文書グラフを動的に学習する。
  論文  参考訳（メタデータ） (2021-10-30T05:33:05Z)
• Dependency Parsing based Semantic Representation Learning with Graph Neural Network for Enhancing Expressiveness of Text-to-Speech [49.05471750563229]
  文の依存性関係を考慮したグラフニューラルネットワークに基づく意味表現学習手法を提案する。 提案手法は,LJSpeech と Bilzzard Challenge 2013 のデータセットにおいて,バニラBERT の機能をベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-14T13:09:51Z)
• Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
  本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。 グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
  論文  参考訳（メタデータ） (2020-04-05T13:09:37Z)

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。