論文の概要: Improving Detection of Rare Nodes in Hierarchical Multi-Label Learning

• arxiv url: http://arxiv.org/abs/2602.08986v1
• Date: Mon, 09 Feb 2026 18:34:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.422119
• Title: Improving Detection of Rare Nodes in Hierarchical Multi-Label Learning
• Title（参考訳）: 階層型マルチラベル学習における希少ノードの検出の改善
• Authors: Isaac Xu, Martin Gillis, Ayushi Sharma, Benjamin Misiuk, Craig J. Brown, Thomas Trappenberg,
• Abstract要約: 本稿では,ノード単位の不均衡重みと焦点重み成分を組み合わせたニューラルネットワークの重み付き損失目標を提案する。 ベンチマークデータセットで最大5倍のリコール率の改善と,統計的に有意なF_1$スコアの上昇を観測した。
• 参考スコア（独自算出の注目度）: 1.4213292010741236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In hierarchical multi-label classification, a persistent challenge is enabling model predictions to reach deeper levels of the hierarchy for more detailed or fine-grained classifications. This difficulty partly arises from the natural rarity of certain classes (or hierarchical nodes) and the hierarchical constraint that ensures child nodes are almost always less frequent than their parents. To address this, we propose a weighted loss objective for neural networks that combines node-wise imbalance weighting with focal weighting components, the latter leveraging modern quantification of ensemble uncertainties. By emphasizing rare nodes rather than rare observations (data points), and focusing on uncertain nodes for each model output distribution during training, we observe improvements in recall by up to a factor of five on benchmark datasets, along with statistically significant gains in $F_{1}$ score. We also show our approach aids convolutional networks on challenging tasks, as in situations with suboptimal encoders or limited data.
• Abstract（参考訳）: 階層的マルチラベル分類において、永続的な課題は、モデル予測が階層のより深いレベルに到達し、より詳細またはきめ細かい分類を可能にすることである。 この難しさは、あるクラス(または階層的なノード)の自然な希薄さと、子ノードが親よりもほぼ常に頻度が低いことを保証する階層的な制約から生じる。 そこで本研究では,ノード単位の不均衡重み付けと焦点重み付け成分を組み合わせたニューラルネットワークの重み付き損失目標を提案する。 希少な観測(データポイント)よりも希少なノードを強調し,トレーニング中の各モデル出力分布に対する不確実なノードに着目して,ベンチマークデータセット上で最大5倍のリコール率の改善と,統計的に有意なF_{1}$スコアの上昇を観測した。 また,提案手法は,最適なエンコーダや限られたデータを扱う場合のように,課題に対する畳み込みネットワークを支援することを示す。

関連論文リスト

• GTHNA: Local-global Graph Transformer with Memory Reconstruction for Holistic Node Anomaly Evaluation [7.287914649294607]
  グラフ構造化データの異常検出は本質的に難しい問題である。 グラフ畳み込みネットワーク(GCN)に基づく既存の手法は、しばしば過度にスムーシングに悩まされる。 本稿では,3つの重要なコンポーネントを統合した,新規で総合的な異常評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-13T15:52:16Z)
• Contrastive clustering based on regular equivalence for influential node identification in complex networks [10.538045764554019]
  ReCCは、影響のあるノード識別のための新しい非教師なしフレームワークである。 ネットワーク再構成損失を使用して事前トレーニングを行い、コントラストとクラスタリングの損失を組み合わせた微調整を行う。 大規模な実験により、ReCCはいくつかのベンチマークで最先端のアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-30T09:34:39Z)
• Automated Loss function Search for Class-imbalanced Node Classification [15.384438539835164]
  クラス不均衡ノード分類タスクは、現実世界のシナリオで一般的である。 この課題に対処するために,高性能でフレキシブルで汎用的な自動損失関数探索フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-05-23T03:12:49Z)
• Multi-View Subgraph Neural Networks: Self-Supervised Learning with Scarce Labeled Data [24.628203785306233]
  長距離依存関係を扱うためのマルチビューサブグラフニューラルネットワーク(Muse)と呼ばれる新しい学習フレームワークを提案する。 部分グラフの2つのビューを融合させることで、学習された表現はグラフの位相的性質を広く保存することができる。 実験の結果,Museは限定ラベル付きデータを用いたノード分類タスクにおいて,代替手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-04-19T01:36:50Z)
• A Systematic Evaluation of Node Embedding Robustness [77.29026280120277]
  本研究では,ノード埋め込みモデルのランダムおよび逆毒攻撃に対する経験的ロバスト性を評価する。 ネットワーク特性とノードラベルを用いて計算したエッジの追加,削除,再切り替えの戦略を比較した。 その結果,ノード分類はネットワーク再構成とは対照的に,高い性能劣化に悩まされていることがわかった。
  論文  参考訳（メタデータ） (2022-09-16T17:20:23Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Analyzing Overfitting under Class Imbalance in Neural Networks for Image Segmentation [19.259574003403998]
  画像分割では、ニューラルネットワークは小さな構造物の前景サンプルに過剰に適合する可能性がある。 本研究では,ネットワークの動作を検査することにより,クラス不均衡下でのオーバーフィッティング問題に対する新たな知見を提供する。
  論文  参考訳（メタデータ） (2021-02-20T14:57:58Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)
• Temporal Calibrated Regularization for Robust Noisy Label Learning [60.90967240168525]
  ディープニューラルネットワーク(DNN)は、大規模な注釈付きデータセットの助けを借りて、多くのタスクで大きな成功を収めている。 しかし、大規模なデータのラベル付けは非常にコストがかかりエラーが発生しやすいため、アノテーションの品質を保証することは困難である。 本稿では,従来のラベルと予測を併用したTCR(Temporal Calibrated Regularization)を提案する。
  論文  参考訳（メタデータ） (2020-07-01T04:48:49Z)

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。