論文の概要: Graph-based Semi-Supervised Learning via Maximum Discrimination

• arxiv url: http://arxiv.org/abs/2602.08042v1
• Date: Sun, 08 Feb 2026 16:18:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.948063
• Title: Graph-based Semi-Supervised Learning via Maximum Discrimination
• Title（参考訳）: 最大判別によるグラフに基づく半教師付き学習
• Authors: Nadav Katz, Ariel Jaffe,
• Abstract要約: 半教師付き学習(SSL)は、ラベル付きデータが少ないがラベルなしデータが豊富である場合に、正確なモデルをトレーニングする課題に対処する。 我々は,クラス分離を最大化する低次元表現を計算するグラフアプローチであるAUC-specを開発した。 合成および実世界のデータセット上で、フィールドの古典的および最先端の手法に匹敵する計算効率を維持しながら、競合する結果を実証する。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning (SSL) addresses the critical challenge of training accurate models when labeled data is scarce but unlabeled data is abundant. Graph-based SSL (GSSL) has emerged as a popular framework that captures data structure through graph representations. Classic graph SSL methods, such as Label Propagation and Label Spreading, aim to compute low-dimensional representations where points with the same labels are close in representation space. Although often effective, these methods can be suboptimal on data with complex label distributions. In our work, we develop AUC-spec, a graph approach that computes a low-dimensional representation that maximizes class separation. We compute this representation by optimizing the Area Under the ROC Curve (AUC) as estimated via the labeled points. We provide a detailed analysis of our approach under a product-of-manifold model, and show that the required number of labeled points for AUC-spec is polynomial in the model parameters. Empirically, we show that AUC-spec balances class separation with graph smoothness. It demonstrates competitive results on synthetic and real-world datasets while maintaining computational efficiency comparable to the field's classic and state-of-the-art methods.
• Abstract（参考訳）: 半教師付き学習(SSL)は、ラベル付きデータが少ないがラベルなしデータが豊富である場合、正確なモデルをトレーニングする上で重要な課題に対処する。 グラフベースのSSL(GSSL)は、グラフ表現を通じてデータ構造をキャプチャする一般的なフレームワークとして登場した。 Label PropagationやLabel Spreadingのような古典的なグラフSSL手法は、同じラベルを持つ点が表現空間に近接しているような低次元表現を計算することを目的としている。 多くの場合、これらの手法は複雑なラベル分布を持つデータに最適である。 本研究では,クラス分離を最大化する低次元表現を計算するグラフ手法であるAUC-specを開発した。 我々はこの表現を,ラベル付き点から推定したROC曲線(AUC)の下での面積を最適化することによって計算する。 本稿では, AUC-spec に対するラベル付き点数がモデルパラメータの多項式であることを示す。 実験により,AUC-specはクラス分離とグラフの滑らかさのバランスをとることを示した。 合成および実世界のデータセット上で、フィールドの古典的および最先端の手法に匹敵する計算効率を維持しながら、競合する結果を実証する。

関連論文リスト

• A Unified Framework for Fair Spectral Clustering With Effective Graph Learning [12.343382413705394]
  群フェアネス制約下でのスペクトルクラスタリングの問題点を考察する。 実際には、グラフは通常不明であり、潜在的にノイズの多いデータから基盤となるグラフを構築する必要がある。 雑音データからグラフを学習するためのノード適応グラフフィルタを用いた新しいグラフ構築法を提案する。
  論文  参考訳（メタデータ） (2023-11-23T01:43:00Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Evaluating Self-Supervised Learning for Molecular Graph Embeddings [38.65102126919387]
  Graph Self-Supervised Learning (GSSL)は、専門的なラベル付けなしで埋め込みを取得するための堅牢なパスを提供する。 分子グラフ埋め込みの詳細なプロファイルを解釈可能かつ多彩な属性で生成する。
  論文  参考訳（メタデータ） (2022-06-16T09:01:53Z)
• Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
  現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。 本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。 この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
  論文  参考訳（メタデータ） (2022-05-31T12:24:01Z)
• 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)
• Semi-supervised Superpixel-based Multi-Feature Graph Learning for Hyperspectral Image Data [0.0]
  超スペクトル画像(hsi)データの非常に限られた量のラベル付きデータに照らして分類するための新しい枠組みを提案する。 HSIデータのための多段階エッジ効率半教師付きグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-27T15:36:26Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Graph Networks with Spectral Message Passing [1.0742675209112622]
  本稿では,空間領域とスペクトル領域の両方にメッセージパッシングを適用するSpectral Graph Networkを紹介する。 その結果,spectrum gnは効率のよいトレーニングを促進し,より多くのパラメータを持つにもかかわらず,少ないトレーニングイテレーションで高いパフォーマンスを達成できることがわかった。
  論文  参考訳（メタデータ） (2020-12-31T21:33:17Z)
• 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)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。