論文の概要: Towards Effective Open-set Graph Class-incremental Learning

• arxiv url: http://arxiv.org/abs/2507.17687v1
• Date: Wed, 23 Jul 2025 16:51:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:15.094468
• Title: Towards Effective Open-set Graph Class-incremental Learning
• Title（参考訳）: 効果的なオープンセットグラフクラスインクリメンタルラーニングを目指して
• Authors: Jiazhen Chen, Zheng Ma, Sichao Fu, Mingbin Feng, Tony S. Wirjanto, Weihua Ou,
• Abstract要約: グラフクラス増分学習(GCIL)により、グラフニューラルネットワーク(GNN)は、新たなクラス知識を漸進的に学習することで、グラフ分析タスクに適応することができる。 既存のGCILメソッドは主に、すべてのテストサンプルが以前に知られていたクラスに属すると仮定されるクローズドセットの仮定に焦点を当てている。 本稿では,従来のクラスを破滅的に忘れることと,オープンセットの認識が不十分な2つの課題を含む,より困難なオープンセットグラフクラス増分学習シナリオを提案する。
• 参考スコア（独自算出の注目度）: 4.286860874195651
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph class-incremental learning (GCIL) allows graph neural networks (GNNs) to adapt to evolving graph analytical tasks by incrementally learning new class knowledge while retaining knowledge of old classes. Existing GCIL methods primarily focus on a closed-set assumption, where all test samples are presumed to belong to previously known classes. Such an assumption restricts their applicability in real-world scenarios, where unknown classes naturally emerge during inference, and are absent during training. In this paper, we explore a more challenging open-set graph class-incremental learning scenario with two intertwined challenges: catastrophic forgetting of old classes, which impairs the detection of unknown classes, and inadequate open-set recognition, which destabilizes the retention of learned knowledge. To address the above problems, a novel OGCIL framework is proposed, which utilizes pseudo-sample embedding generation to effectively mitigate catastrophic forgetting and enable robust detection of unknown classes. To be specific, a prototypical conditional variational autoencoder is designed to synthesize node embeddings for old classes, enabling knowledge replay without storing raw graph data. To handle unknown classes, we employ a mixing-based strategy to generate out-of-distribution (OOD) samples from pseudo in-distribution and current node embeddings. A novel prototypical hypersphere classification loss is further proposed, which anchors in-distribution embeddings to their respective class prototypes, while repelling OOD embeddings away. Instead of assigning all unknown samples into one cluster, our proposed objective function explicitly models them as outliers through prototype-aware rejection regions, ensuring a robust open-set recognition. Extensive experiments on five benchmarks demonstrate the effectiveness of OGCIL over existing GCIL and open-set GNN methods.
• Abstract（参考訳）: グラフクラス増分学習(GCIL)により、グラフニューラルネットワーク(GNN)は、古いクラスの知識を維持しながら、新しいクラスの知識を漸進的に学習することで、グラフ分析タスクに適応することができる。 既存のGCILメソッドは主に、すべてのテストサンプルが以前に知られていたクラスに属すると仮定されるクローズドセットの仮定に焦点を当てている。 このような仮定は、推論中に未知のクラスが自然に出現し、トレーニング中に欠落する現実世界のシナリオにおける適用性を制限する。 本稿では、未知のクラスの検出を損なう古いクラスを破滅的に忘れることと、学習知識の保持を不安定にするオープンセット認識の欠如の2つの課題について、より困難なオープンセットグラフクラス増分学習シナリオについて検討する。 上記の問題に対処するために,擬似サンプル埋め込み生成を利用して破滅的忘れを効果的に軽減し,未知のクラスを堅牢に検出する新しいOGCILフレームワークを提案する。 具体的には、原型条件付き変分オートエンコーダは、古いクラスのノード埋め込みを合成するように設計されており、生のグラフデータを格納することなく、知識の再生を可能にする。 未知のクラスを扱うために、擬似分布と現在のノード埋め込みからOOD(out-of-distriion)サンプルを生成する。 新たな原型超球分類損失が提案され、OOD埋め込みを撃退しつつ、各クラスプロトタイプに分布内埋め込みを固定する。 提案する目的関数は,すべての未知のサンプルを1つのクラスタに割り当てる代わりに,プロトタイプ認識の拒絶領域を通じてアウトレーヤとして明確にモデル化し,堅牢なオープンセット認識を実現する。 5つのベンチマークにおいて、OGCILが既存のGCILとオープンセットのGNNメソッドに対して有効であることを示した。

関連論文リスト

• MR-GDINO: Efficient Open-World Continual Object Detection [58.066277387205325]
  本稿では,従来型,新しい,目に見えないカテゴリに一般化するために,検出器を必要とするオープンワールド連続物体検出タスクを提案する。 本稿では,検出能力を評価するためのOW-CODベンチマークを提案する。 そこで我々は,記憶と検索機構を通じて,強力な,効率的でスケーラブルなベースラインであるMR-GDINOを提案する。
  論文  参考訳（メタデータ） (2024-12-20T15:22:51Z)
• Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
  本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。 C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。 本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T04:18:51Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Active Learning for Open-set Annotation [38.739845944840454]
  我々はLfOSAと呼ばれる新しいアクティブラーニングフレームワークを提案する。このフレームワークは、効果的なサンプリング戦略を用いて分類性能を高め、アノテーションのための既知のクラスからサンプルを正確に検出する。 実験結果から,提案手法は既知のクラスの選択精度を著しく向上し,アノテーションコストの低い分類精度を最先端の能動学習法よりも向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-01-18T06:11:51Z)
• Non-Exhaustive Learning Using Gaussian Mixture Generative Adversarial Networks [3.040775019394542]
  我々は、新しいオンライン非排他的学習モデル、すなわち、非排他的ガウス混合生成適応ネットワーク(NE-GM-GAN)を提案する。 提案モデルでは,GANなどの深層生成モデル上での潜在表現を合成し,テストデータ中の新しいクラスのインスタンスをインクリメンタルに検出する。
  論文  参考訳（メタデータ） (2021-06-28T00:20:22Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• Class-incremental Learning with Pre-allocated Fixed Classifiers [20.74548175713497]
  クラス増分学習では、学習エージェントは、前のクラスを忘れずに新しいクラスを学ぶことを目標として、データのストリームに直面します。 本稿では,複数の事前配置された出力ノードが学習フェーズの開始時から,その分類損失に正しく対応できる新しい固定分類器を提案する。
  論文  参考訳（メタデータ） (2020-10-16T22:40:28Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• Conditional Gaussian Distribution Learning for Open Set Recognition [10.90687687505665]
  オープンセット認識のための条件付きガウス分布学習(CGDL)を提案する。 未知のサンプルを検出することに加えて、異なる潜伏特徴を異なるガウスモデルに近似させることにより、既知のサンプルを分類することもできる。 いくつかの標準画像に対する実験により,提案手法はベースライン法を著しく上回り,新たな最先端結果が得られることが明らかになった。
  論文  参考訳（メタデータ） (2020-03-19T14:32:08Z)

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。