論文の概要: Combining LLM Semantic Reasoning with GNN Structural Modeling for Multi-View Multi-Label Feature Selection

• arxiv url: http://arxiv.org/abs/2511.08008v2
• Date: Wed, 19 Nov 2025 07:57:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 13:41:21.058894
• Title: Combining LLM Semantic Reasoning with GNN Structural Modeling for Multi-View Multi-Label Feature Selection
• Title（参考訳）: マルチビューマルチラベル特徴選択のためのLLMセマンティック推論とGNN構造モデリングの併用
• Authors: Zhiqi Chen, Yuzhou Liu, Jiarui Liu, Wanfu Gao,
• Abstract要約: 多視点多言語特徴選択は異種視点から情報的特徴を特定することを目的としている。 既存のMulti-View Multi-Label Feature Selection (MVMLFS) 手法は主にデータの統計情報の解析に重点を置いている。 本稿では,Large Language Models (LLMs) とGNN (Graph Neural Networks) を組み合わせたMVMLFSの構造モデルを提案する。
• 参考スコア（独自算出の注目度）: 13.731528637960828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view multi-label feature selection aims to identify informative features from heterogeneous views, where each sample is associated with multiple interdependent labels. This problem is particularly important in machine learning involving high-dimensional, multimodal data such as social media, bioinformatics or recommendation systems. Existing Multi-View Multi-Label Feature Selection (MVMLFS) methods mainly focus on analyzing statistical information of data, but seldom consider semantic information. In this paper, we aim to use these two types of information jointly and propose a method that combines Large Language Models (LLMs) semantic reasoning with Graph Neural Networks (GNNs) structural modeling for MVMLFS. Specifically, the method consists of three main components. (1) LLM is first used as an evaluation agent to assess the latent semantic relevance among feature, view, and label descriptions. (2) A semantic-aware heterogeneous graph with two levels is designed to represent relations among features, views and labels: one is a semantic graph representing semantic relations, and the other is a statistical graph. (3) A lightweight Graph Attention Network (GAT) is applied to learn node embedding in the heterogeneous graph as feature saliency scores for ranking and selection. Experimental results on multiple benchmark datasets demonstrate the superiority of our method over state-of-the-art baselines, and it is still effective when applied to small-scale datasets, showcasing its robustness, flexibility, and generalization ability.
• Abstract（参考訳）: マルチビュー多ラベル特徴選択は、各サンプルが複数の相互依存ラベルに関連付けられている異種視点から情報的特徴を特定することを目的としている。 この問題は、ソーシャルメディア、バイオインフォマティクス、レコメンデーションシステムなどの高次元マルチモーダルデータを含む機械学習において特に重要である。 既存のMulti-View Multi-Label Feature Selection (MVMLFS) 手法は主にデータの統計情報の解析に重点を置いているが、セマンティック情報を考えることはめったにない。 本稿では,これらの2種類の情報を共同で利用することを目的として,大規模言語モデル (LLM) とグラフニューラルネットワーク (GNN) によるMVMLFSの構造モデリングを組み合わせた手法を提案する。 具体的には、この方法は3つの主成分から構成される。 1) LLMは, 特徴, ビュー, ラベル記述の潜在意味的関連性を評価するために, 評価剤として最初に用いられる。 2)2段階のセマンティック・アウェア・ヘテロジニアス・グラフは特徴,ビュー,ラベル間の関係を表現するように設計され,ひとつは意味関係を表すセマンティック・グラフ,もう一つは統計グラフである。 (3) 軽量グラフ注意ネットワーク (GAT) を用いて, ノード埋め込みを異種グラフに組み込んで, ランク付けと選択のための特徴値として学習する。 複数のベンチマークデータセットに対する実験結果から,提案手法が最先端のベースラインよりも優れていることを示すとともに,その堅牢性,柔軟性,一般化性を示すとともに,小規模なデータセットに適用しても有効であることがわかった。

関連論文リスト

• UniGraph2: Learning a Unified Embedding Space to Bind Multimodal Graphs [34.48393396390799]
  マルチモーダルグラフ上での汎用的な表現学習を可能にする新しいクロスドメイングラフ基盤モデルを提案する。 UniGraph2は、グラフニューラルネットワーク(GNN)と共にモダリティ固有のエンコーダを使用して、統一された低次元埋め込み空間を学習する。 我々は,UniGraph2が表現学習,伝達学習,マルチモーダル生成タスクなどのタスクにおいて,最先端モデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-02T14:04:53Z)
• Visual Commonsense based Heterogeneous Graph Contrastive Learning [79.22206720896664]
  視覚的推論タスクをより良く仕上げるための異種グラフコントラスト学習法を提案する。 本手法はプラグイン・アンド・プレイ方式として設計されており,多種多様な代表手法と迅速かつ容易に組み合わせることができる。
  論文  参考訳（メタデータ） (2023-11-11T12:01:18Z)
• KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot Node Classification [75.95647590619929]
  Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。 ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。 ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
  論文  参考訳（メタデータ） (2023-08-15T02:38:08Z)
• Multi-label Node Classification On Graph-Structured Data [7.892731722253387]
  グラフニューラルネットワーク(GNN)では、グラフ上のノード分類タスクの最先端の改善が示されている。 それぞれのノードが複数のラベルを持つことができる、より一般的で現実的なシナリオは、これまでほとんど注目されなかった。 実世界の3つの生物データセットを収集・リリースし、マルチラベルグラフ生成器を開発する。
  論文  参考訳（メタデータ） (2023-04-20T15:34:20Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• Graphonomy: Universal Image Parsing via Graph Reasoning and Transfer [140.72439827136085]
  グラフィノノミー(Graphonomy)というグラフ推論・伝達学習フレームワークを提案する。 人間の知識とラベル分類を、局所畳み込みを超えた中間グラフ表現学習に組み込んでいる。 意味認識グラフの推論と転送を通じて、複数のドメインにおけるグローバルおよび構造化されたセマンティックコヒーレンシーを学習する。
  論文  参考訳（メタデータ） (2021-01-26T08:19:03Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)
• Instance-Aware Graph Convolutional Network for Multi-Label Classification [55.131166957803345]
  グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。 マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-19T12:49:28Z)
• Multi-Label Text Classification using Attention-based Graph Neural Network [0.0]
  ラベル間の注意的依存構造を捉えるために,グラフアテンションネットワークに基づくモデルを提案する。 提案モデルでは, 従来の最先端モデルと比較して, 類似あるいは良好な性能が得られた。
  論文  参考訳（メタデータ） (2020-03-22T17:12:43Z)

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。