論文の概要: Linked Data Classification using Neurochaos Learning
- arxiv url: http://arxiv.org/abs/2602.16204v1
- Date: Wed, 18 Feb 2026 05:55:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-19 15:58:30.527286
- Title: Linked Data Classification using Neurochaos Learning
- Title（参考訳）: ニューロカオス学習を用いたリンクデータ分類
- Authors: Pooja Honna, Ayush Patravali, Nithin Nagaraj, Nanjangud C. Narendra,
- Abstract要約: ニューロカオス学習(NL)は、その2つの主要な特徴、小さなトレーニングサンプルから学ぶ能力、低い計算要件の2つにより、近年、従来のディープラーニングよりも有望であることが示されている。
本稿では,リンクデータ,特に知識グラフの形式で表現されたデータにNLを適用することにより,NLの次のステップであるviz.について検討する。
我々は,知識グラフ上にノードアグリゲーションを実装し,最も単純なNLアーキテクチャであるChaosNetに集約されたノード特徴を供給することによって,リンクされたデータをNLに統合した。
- 参考スコア（独自算出の注目度）: 0.6999740786886536
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Neurochaos Learning (NL) has shown promise in recent times over traditional deep learning due to its two key features: ability to learn from small sized training samples, and low compute requirements. In prior work, NL has been implemented and extensively tested on separable and time series data, and demonstrated its superior performance on both classification and regression tasks. In this paper, we investigate the next step in NL, viz., applying NL to linked data, in particular, data that is represented in the form of knowledge graphs. We integrate linked data into NL by implementing node aggregation on knowledge graphs, and then feeding the aggregated node features to the simplest NL architecture: ChaosNet. We demonstrate the results of our implementation on homophilic graph datasets as well as heterophilic graph datasets of verying heterophily. We show better efficacy of our approach on homophilic graphs than on heterophilic graphs. While doing so, we also present our analysis of the results, as well as suggestions for future work.
- Abstract（参考訳）: ニューロカオス学習(NL)は、その2つの主要な特徴、小さなトレーニングサンプルから学ぶ能力、低い計算要件の2つにより、近年、従来のディープラーニングよりも有望であることが示されている。
以前の研究では、NLは分離可能データと時系列データに対して広範囲に実装され、分類タスクと回帰タスクの両方において優れた性能を示してきた。
本稿では,リンクデータ,特に知識グラフの形式で表現されたデータにNLを適用することにより,NLの次のステップであるviz.について検討する。
我々は,知識グラフ上にノードアグリゲーションを実装し,最も単純なNLアーキテクチャであるChaosNetに集約されたノード特徴を供給することによって,リンクされたデータをNLに統合した。
本稿では,同好性グラフデータセットと異好性グラフデータセットの実装結果を紹介する。
ヘテロ親和グラフよりもホモ親和グラフの方が有効であることを示す。
その間、結果の分析や今後の研究の提言も提示する。
関連論文リスト
- The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。
最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
論文 参考訳（メタデータ） (2024-07-12T18:04:32Z) - Breaking the Entanglement of Homophily and Heterophily in
Semi-supervised Node Classification [25.831508778029097]
統計的観点から,ノードプロファイルとトポロジの関係を定量化するAMUDを提案する。
また、AMUDのための新しい有向グラフ学習パラダイムとしてADPAを提案する。
論文 参考訳（メタデータ） (2023-12-07T07:54:11Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳（メタデータ） (2023-08-01T09:31:44Z) - Evolving Computation Graphs [20.094508902123778]
グラフニューラルネットワーク(GNN)は、特にホモフィリーを示すデータに対して、関係データのモデリングに成功している。
ヘテロ親和性データセット上でGNNを強化する新しい手法であるEvolving Computation Graphs (ECGs)を提案する。
論文 参考訳（メタデータ） (2023-06-22T14:58:18Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。
具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。
グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
論文 参考訳（メタデータ） (2022-02-14T23:07:47Z) - Lifelong Learning on Evolving Graphs Under the Constraints of Imbalanced
Classes and New Classes [2.870762512009438]
我々は、生涯グラフ学習における2つの重要な課題、すなわち、新しいクラスを扱うことと、不均衡なクラス分布に取り組むことに取り組む。
ラベルなしデータの量は結果に影響を与えないことが示され、これは生涯学習にとって必須の前提条件である。
本稿では,不均衡なクラス分布を持つ制約の下で,新しいクラスを検出するgDOC法を提案する。
論文 参考訳（メタデータ） (2021-12-20T14:29:39Z) - Large Scale Learning on Non-Homophilous Graphs: New Benchmarks and
Strong Simple Methods [16.170826632437183]
新しいグラフニューラルネットワーク(GNN)が開発され、ホモフィリーレシエーションを越えている。
さまざまなアプリケーション領域から多種多様な非ホモフィル性データセットを導入します。
既存のスケーラブルなグラフ学習とグラフ最小化技術がパフォーマンスの低下につながることを示す。
論文 参考訳（メタデータ） (2021-10-27T14:02:41Z) - Is Homophily a Necessity for Graph Neural Networks? [50.959340355849896]
グラフニューラルネットワーク(GNN)は、多数のグラフベースの機械学習タスクに適した学習表現において大きな進歩を見せている。
GNNはホモフィリーな仮定によりうまく機能し、異種ノードが接続する異種グラフへの一般化に失敗したと広く信じられている。
最近の研究は、このような不均一な制限を克服する新しいアーキテクチャを設計し、ベースライン性能の低さと、この概念の証拠として、いくつかの異種グラフベンチマークデータセットに対するアーキテクチャの改善を引用している。
我々の実験では、標準グラフ畳み込みネットワーク(GCN)が実際よりも優れた性能を実現できることを実証的に見出した。
論文 参考訳（メタデータ） (2021-06-11T02:44:00Z) - NodeNet: A Graph Regularised Neural Network for Node Classification [0.0]
ほとんどのAI/ML技術は、データポイント間のリンクを排除している。
近年,グラフベースのAI/ML技術への関心が高まっている。
引用グラフのノード分類タスクを解決するために,NGL - NodeNet を用いたモデルを提案する。
論文 参考訳（メタデータ） (2020-06-16T09:41:58Z)
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。