論文の概要: A Re-node Self-training Approach for Deep Graph-based Semi-supervised Classification on Multi-view Image Data
- arxiv url: http://arxiv.org/abs/2510.24791v1
- Date: Mon, 27 Oct 2025 10:02:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-30 15:50:44.493885
- Title: A Re-node Self-training Approach for Deep Graph-based Semi-supervised Classification on Multi-view Image Data
- Title（参考訳）: 多視点画像データに基づく深部グラフに基づく半教師付き分類のための再ノード自己学習手法
- Authors: Jingjun Bi, Fadi Dornaika,
- Abstract要約: マルチビューデータ(RSGSLM)のためのノード自己学習グラフに基づく半教師付き学習を提案する。
本手法は,グラフ畳み込みネットワーク(GCN)フレームワークにおける線形特徴変換と多視点グラフ融合を組み合わせることで,課題に対処する。
マルチビューベンチマーク画像データセットの実験結果は、RSGSLMが既存の半教師付き学習アプローチを超越していることを示している。
- 参考スコア（独自算出の注目度）: 10.453339156813852
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recently, graph-based semi-supervised learning and pseudo-labeling have gained attention due to their effectiveness in reducing the need for extensive data annotations. Pseudo-labeling uses predictions from unlabeled data to improve model training, while graph-based methods are characterized by processing data represented as graphs. However, the lack of clear graph structures in images combined with the complexity of multi-view data limits the efficiency of traditional and existing techniques. Moreover, the integration of graph structures in multi-view data is still a challenge. In this paper, we propose Re-node Self-taught Graph-based Semi-supervised Learning for Multi-view Data (RSGSLM). Our method addresses these challenges by (i) combining linear feature transformation and multi-view graph fusion within a Graph Convolutional Network (GCN) framework, (ii) dynamically incorporating pseudo-labels into the GCN loss function to improve classification in multi-view data, and (iii) correcting topological imbalances by adjusting the weights of labeled samples near class boundaries. Additionally, (iv) we introduce an unsupervised smoothing loss applicable to all samples. This combination optimizes performance while maintaining computational efficiency. Experimental results on multi-view benchmark image datasets demonstrate that RSGSLM surpasses existing semi-supervised learning approaches in multi-view contexts.
- Abstract（参考訳）: 近年,グラフに基づく半教師付き学習と擬似ラベル化が注目されている。
Pseudo-labelingはモデルトレーニングを改善するためにラベルのないデータからの予測を使用し、グラフベースの方法はグラフとして表現されたデータを処理することで特徴付けられる。
しかし、画像に明確なグラフ構造が欠如していることと、マルチビューデータの複雑さが相まって、従来の手法や既存の手法の効率が制限される。
さらに、マルチビューデータにおけるグラフ構造の統合は依然として課題である。
本稿では,Re-node Self-Taught Graph-based Semi-supervised Learning for Multi-view Data (RSGSLM)を提案する。
我々の手法はこれらの課題に対処する。
(i)グラフ畳み込みネットワーク(GCN)フレームワークにおける線形特徴変換と多視点グラフ融合の組み合わせ
(二)多視点データにおける分類を改善するために、GCN損失関数に擬似ラベルを動的に組み込むこと。
三 分類境界付近のラベル付き試料の重量を調整することにより、位相的不均衡を補正すること。
また、
(4)全試料に適用可能な非教師なし平滑化損失を導入する。
この組み合わせは計算効率を維持しながら性能を最適化する。
マルチビューベンチマーク画像データセットの実験結果は、RSGSLMが既存の半教師付き学習アプローチを超越していることを示している。
関連論文リスト
- Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。
このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。
また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文 参考訳（メタデータ） (2025-01-01T08:48:53Z) - Multi-view Fuzzy Graph Attention Networks for Enhanced Graph Learning [0.0]
Fuzzy Graph Attention Network (FGAT)は、堅牢なグラフベースの学習を必要とするタスクにおいて、将来性を示している。
本稿では,MFGAT(Multi-view Fuzzy Graph Attention Network)を提案する。
論文 参考訳（メタデータ） (2024-12-23T04:39:08Z) - Conditional Distribution Learning on Graphs [15.730933577970687]
半教師付きグラフ分類のためのグラフ構造化データからグラフ表現を学習する条件分布学習(CDL)法を提案する。
具体的には、元の特徴に対して弱機能および強拡張機能の条件分布を整列するエンドツーエンドグラフ表現学習モデルを提案する。
論文 参考訳（メタデータ） (2024-11-20T07:26:36Z) - Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。
本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。
提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文 参考訳（メタデータ） (2021-08-15T13:14:28Z) - Multiple Graph Learning for Scalable Multi-view Clustering [26.846642220480863]
少数のアンカー点とテンソルシャッテンp-ノルム最小化による効率的な多重グラフ学習モデルを提案する。
具体的には、各ビューに対してアンカーグラフを用いて、隠蔽かつトラクタブルな大きなグラフを構築する。
本研究では,データサイズと線形にスケールする効率的なアルゴリズムを開発し,提案したモデルを解く。
論文 参考訳（メタデータ） (2021-06-29T13:10:56Z) - Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。
情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。
一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
論文 参考訳（メタデータ） (2021-03-17T16:22:24Z) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳（メタデータ） (2020-10-29T09:58:02Z) - Contrastive and Generative Graph Convolutional Networks for Graph-based
Semi-Supervised Learning [64.98816284854067]
グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。
本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-15T13:59:28Z) - Multi-view Graph Learning by Joint Modeling of Consistency and
Inconsistency [65.76554214664101]
グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。
本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。
12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
論文 参考訳（メタデータ） (2020-08-24T06:11:29Z)
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。