論文の概要: FOCAL-Attention for Heterogeneous Multi-Label Prediction
- arxiv url: http://arxiv.org/abs/2604.19171v1
- Date: Tue, 21 Apr 2026 07:29:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-22 22:41:49.669889
- Title: FOCAL-Attention for Heterogeneous Multi-Label Prediction
- Title（参考訳）: 不均一なマルチラベル予測のためのFOCALアテンション
- Authors: Chenghao Zhang, Qingqing Long, Ludi Wang, Wenjuan Cui, Jianjun Yu, Yi Du,
- Abstract要約: 不均一グラフは、複雑な実世界のシステムにおける多型実体と関係をモデル化するために注目が集まっている。
既存の手法では、フレキシブルなアテンション機構やメタパス制約付きアンカーを用いることが多いが、異種多ラベル予測では意味の希釈やカバレッジ制約に悩まされることが多い。
FOCAL:Fusion of Coverage and Anchoring Learning, with two components for coverage-oriented attention (COA) for flexible and unconstrained heterogeneous context aggregate, and anchoring-oriented attention (AOA) that suppresss aggregates to meta-path-induced primary semantics。
- 参考スコア（独自算出の注目度）: 11.148605959748243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heterogeneous graphs have attracted increasing attention for modeling multi-typed entities and relations in complex real-world systems. Multi-label node classification on heterogeneous graphs is challenging due to structural heterogeneity and the need to learn shared representations across multiple labels. Existing methods typically adopt either flexible attention mechanisms or meta-path constrained anchoring, but in heterogeneous multi-label prediction they often suffer from semantic dilution or coverage constraint. Both issues are further amplified under multi-label supervision. We present a theoretical analysis showing that as heterogeneous neighborhoods expand, the attention mass allocated to task-critical (primary) neighborhoods diminishes, and that meta-path constrained aggregation exhibits a dilemma: too few meta-paths intensify coverage constraint, while too many re-introduce dilution. To resolve this coverage-anchoring conflict, we propose FOCAL: Fusion Of Coverage and Anchoring Learning, with two components: coverage-oriented attention (COA) for flexible, unconstrained heterogeneous context aggregation, and anchoring-oriented attention (AOA) that restricts aggregation to meta-path-induced primary semantics. Our theoretical analysis and experimental results further indicates that FOCAL has a better performance than other state-of-the-art methods.
- Abstract（参考訳）: 不均一グラフは、複雑な実世界のシステムにおける多型実体と関係をモデル化するために注目が集まっている。
ヘテロジニアスグラフ上のマルチラベルノード分類は、構造的不均一性と、複数のラベル間で共有表現を学習する必要があるため困難である。
既存の手法では、フレキシブルなアテンション機構やメタパス制約付きアンカーを用いることが多いが、異種多ラベル予測では意味の希釈やカバレッジ制約に悩まされることが多い。
どちらの問題もマルチラベルの監督の下でさらに増幅される。
異種地域が拡大するにつれて、タスククリティカル(プライマリ)地区に割り当てられる注目質量が減少し、メタパス制約集約がジレンマを呈する。
包括的学習の融合(Fusion of Coverage and Anchoring Learning)は、柔軟で制約のない異種コンテキストアグリゲーションのためのカバレッジ指向アグリゲーション(COA)と、メタパスによる一次セマンティクスへのアグリゲーションを制限するアンカリング指向アグリゲーション(AOA)の2つのコンポーネントからなる。
我々の理論解析と実験結果により、FOCALは他の最先端手法よりも優れた性能を示した。
関連論文リスト
- Multimodal Structure Learning: Disentangling Shared and Specific Topology via Cross-Modal Graphical Lasso [12.238577096609761]
解釈可能なマルチモーダル表現を学習するためのCross-Modal Graphical Lasso(CM-GLasso)を提案する。
新たなテキスト視覚化戦略と統合された視覚言語エンコーダを結合することにより、マルチモーダルな特徴を共有潜在空間に厳密に整列する。
CM-GLassoは、生成的分類と密接なセマンティックセグメンテーションタスクにおいて、新しい最先端技術を確立していることを示す。
論文 参考訳（メタデータ） (2026-04-05T04:07:59Z) - Modality as Heterogeneity: Node Splitting and Graph Rewiring for Multimodal Graph Learning [10.65673380743972]
本稿では,ノード分割とグラフ交換機構を統合したマルチモーダルグラフ学習フレームワークNSG(Node Splitting Graph)-MoEを提案する。
各ノードをモダリティ固有のコンポーネントに明示的に分解し、不均一なメッセージフローを処理するためにリレーションアウェアの専門家を割り当てる。
3つのマルチモーダルベンチマークの実験は、NSG-MoEが強いベースラインを一貫して超えることを示した。
論文 参考訳（メタデータ） (2026-01-20T13:38:50Z) - Multi-label Classification with Panoptic Context Aggregation Networks [61.82285737410154]
本稿では,多次幾何学的文脈を階層的に統合する新しいアプローチであるDeep Panoptic Context Aggregation Network(PanCAN)を紹介する。
PanCANは、ランダムウォークとアテンションメカニズムを組み合わせることで、各スケールで複数階の近傍関係を学習する。
NUS-WIDE、PASCAL VOC、2007、MS-COCOベンチマークの実験は、PanCANが一貫して競争結果を達成することを示した。
論文 参考訳（メタデータ） (2025-12-29T14:16:21Z) - MATCH: Multi-faceted Adaptive Topo-Consistency for Semi-Supervised Histopathology Segmentation [15.740955468843035]
本稿では,関係するトポロジ的特徴を頑健に識別し,保存する半教師付きセグメンテーションフレームワークを提案する。
この一貫性機構は、生物学的に意味のある構造と過渡的およびノイズのある人工物とを区別するのに役立つ。
空間重なりとグローバルな構造アライメントを統合する新しいマッチング戦略を導入する。
論文 参考訳（メタデータ） (2025-10-02T00:08:28Z) - Explaining multimodal LLMs via intra-modal token interactions [55.27436637894534]
MLLM(Multimodal Large Language Models)は、様々な視覚言語タスクにおいて顕著な成功を収めているが、その内部決定機構は十分に理解されていない。
モーダル内相互作用を利用した解釈可能性の向上を提案する。
論文 参考訳（メタデータ） (2025-09-26T14:39:13Z) - Disentangling Homophily and Heterophily in Multimodal Graph Clustering [7.565710850295745]
マルチモーダルグラフは非構造的異種データと構造的相互接続を統合する。
Disentangled Multimodal Graph Clustering (DMGC)は、ハイブリッドグラフを2つの相補的なビューに分解する。
DMGCは最先端のパフォーマンスを実現し、さまざまな設定におけるその有効性と一般化性を強調している。
論文 参考訳（メタデータ） (2025-07-21T05:29:53Z) - Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。
既存のSHGLメソッドには2つの大きな制限がある。
ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
論文 参考訳（メタデータ） (2024-12-01T09:33:20Z) - Histopathology Whole Slide Image Analysis with Heterogeneous Graph
Representation Learning [78.49090351193269]
本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。
具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。
我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-07-09T14:43:40Z) - S$^2$ME: Spatial-Spectral Mutual Teaching and Ensemble Learning for
Scribble-supervised Polyp Segmentation [21.208071679259604]
本研究では,空間スペクトルデュアルブランチ相互指導とエントロピー誘導擬似ラベルアンサンブル学習の枠組みを開発する。
我々は、アンサンブル学習の有効性を高めるために、信頼度の高い混合擬似ラベルを作成する。
疑似ラベルに存在する不確実性やノイズの有害な影響を効果的に軽減する。
論文 参考訳（メタデータ） (2023-06-01T08:47:58Z) - A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network
Representation Learning [52.83948119677194]
大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。
具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。
提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
論文 参考訳（メタデータ） (2020-07-19T22:50:20Z)
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。