論文の概要: Differentiated Information Mining: A Semi-supervised Learning Framework for GNNs

• arxiv url: http://arxiv.org/abs/2508.08769v1
• Date: Tue, 12 Aug 2025 09:14:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.362175
• Title: Differentiated Information Mining: A Semi-supervised Learning Framework for GNNs
• Title（参考訳）: 差別化情報マイニング:GNNのための半教師付き学習フレームワーク
• Authors: Long Wang, Kai Liu,
• Abstract要約: 非ラベルデータを用いたグラフニューラルネットワーク(GNN)のための半教師付き学習(SSL)では、相互独立な相互検証決定因子を導入し、擬似ラベル確認バイアスとトレーニング崩壊を緩和する効果的な戦略とみなす。 本稿では,1つの情報ソースから微分因子を導出し,その一貫性を強制する微分因子一貫性半教師フレームワーク(DiFac)を提案する。
• 参考スコア（独自算出の注目度）: 3.618594702345118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In semi-supervised learning (SSL) for enhancing the performance of graph neural networks (GNNs) with unlabeled data, introducing mutually independent decision factors for cross-validation is regarded as an effective strategy to alleviate pseudo-label confirmation bias and training collapse. However, obtaining such factors is challenging in practice: additional and valid information sources are inherently scarce, and even when such sources are available, their independence from the original source cannot be guaranteed. To address this challenge, In this paper we propose a Differentiated Factor Consistency Semi-supervised Framework (DiFac), which derives differentiated factors from a single information source and enforces their consistency. During pre-training, the model learns to extract these factors; in training, it iteratively removes samples with conflicting factors and ranks pseudo-labels based on the shortest stave principle, selecting the top candidate samples to reduce overconfidence commonly observed in confidence-based or ensemble-based methods. Our framework can also incorporate additional information sources. In this work, we leverage the large multimodal language model to introduce latent textual knowledge as auxiliary decision factors, and we design a accountability scoring mechanism to mitigate additional erroneous judgments introduced by these auxiliary factors. Experiments on multiple benchmark datasets demonstrate that DiFac consistently improves robustness and generalization in low-label regimes, outperforming other baseline methods.
• Abstract（参考訳）: 非ラベルデータによるグラフニューラルネットワーク(GNN)の性能向上のための半教師付き学習(SSL)において、相互独立な相互検証決定因子を導入することは、擬似ラベル確認バイアスとトレーニング崩壊を緩和するための効果的な戦略とみなされる。 しかし、そのような要因の獲得は実際には困難であり、付加的かつ有効な情報ソースは本質的に不足しており、そのようなソースが利用可能であったとしても、元のソースからの独立は保証されない。 この課題に対処するため、本論文では、単一の情報ソースから識別された要因を導出し、それらの一貫性を強制する微分因子整合性半監視フレームワーク(DiFac)を提案する。 トレーニングでは、矛盾する要因を持つサンプルを反復的に除去し、最も短いステーブ原理に基づいて擬似ラベルをランク付けし、信頼に基づく手法やアンサンブルに基づく手法でよく見られる過信を減らすために、上位候補のサンプルを選択する。 我々のフレームワークは、追加の情報ソースを組み込むこともできる。 本研究では, 大規模多モーダル言語モデルを用いて, 補助的判断因子として潜時テキスト知識を導入し, 補助的判断要因の付加的誤判断を軽減するための説明責任スコアリング機構を設計する。 複数のベンチマークデータセットの実験により、DiFacは低ラベルのレシエーションにおけるロバストネスと一般化を一貫して改善し、他のベースライン手法よりも優れていることが示された。

関連論文リスト

• Class-Conditional Distribution Balancing for Group Robust Classification [11.525201208566925]
  間違った理由からモデルが正しい予測に導かれるような豪華な相関関係は、堅牢な現実世界の一般化にとって重要な課題である。 クラス-条件分布における不均衡やミスマッチとして、突発的な相関を緩和することで、新しい視点を提供する。 本稿では,バイアスアノテーションと予測の両方を必要としない,シンプルで効果的な頑健な学習手法を提案する。
  論文  参考訳（メタデータ） (2025-04-24T07:15:53Z)
• Learning Confidence Bounds for Classification with Imbalanced Data [42.690254618937196]
  本稿では,学習理論と集中不等式を利用して従来のソリューションの欠点を克服する新しい枠組みを提案する。 本手法は, クラスごとに異なる不均衡度に効果的に適応できるため, より堅牢で信頼性の高い分類結果が得られる。
  論文  参考訳（メタデータ） (2024-07-16T16:02:27Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Meta-Causal Feature Learning for Out-of-Distribution Generalization [71.38239243414091]
  本稿では,協調タスク生成モジュール (BTG) とメタ因果特徴学習モジュール (MCFL) を含む,バランス付きメタ因果学習器 (BMCL) を提案する。 BMCLは、分類のためのクラス不変の視覚領域を効果的に識別し、最先端の手法の性能を向上させるための一般的なフレームワークとして機能する。
  論文  参考訳（メタデータ） (2022-08-22T09:07:02Z)
• Learning from Similarity-Confidence Data [94.94650350944377]
  類似度信頼性(Sconf)データから学習する新しい弱監督学習問題について検討する。 本研究では,Sconfデータのみから計算可能な分類リスクの非バイアス推定器を提案し,推定誤差境界が最適収束率を達成することを示す。
  論文  参考訳（メタデータ） (2021-02-13T07:31:16Z)
• Auto-weighted Robust Federated Learning with Corrupted Data Sources [7.475348174281237]
  フェデレーション学習はコミュニケーション効率とプライバシ保護のトレーニングプロセスを提供する。 平均損失関数をナイーブに最小化する標準的なフェデレーション学習技術は、データの破損に弱い。 破損したデータソースに対して堅牢性を提供するために、自動重み付けロバストフェデレーテッドラーニング(arfl)を提案します。
  論文  参考訳（メタデータ） (2021-01-14T21:54:55Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。