論文の概要: Multi-Label Node Classification with Label Influence Propagation

• arxiv url: http://arxiv.org/abs/2607.00671v1
• Date: Wed, 01 Jul 2026 09:17:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.826266
• Title: Multi-Label Node Classification with Label Influence Propagation
• Title（参考訳）: ラベル影響伝搬を用いたマルチラベルノード分類
• Authors: Yifei Sun, Zemin Liu, Bryan Hooi, Yang Yang, Rizal Fathony, Jia Chen, Bingsheng He,
• Abstract要約: グラフ上のマルチラベルノード分類(MLNC)に取り組むことで、様々なアプローチが開発されている。 グラフニューラルネットワーク(GNN)を利用してラベルの共起相関を利用する方法もあるが、ラベルの埋め込みを組み込んでラベルの近接を捉える方法もある。 我々は,GNNにおけるメッセージパッシングプロセスを,伝搬と変換の2つの操作に分解する。 次に,各操作におけるラベル間の影響相関の包括的分析と定量化を行う。
• 参考スコア（独自算出の注目度）: 79.38415948442751
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graphs are a complex and versatile data structure used across various domains, with possibly multi-label nodes playing a particularly crucial role. Examples include proteins in PPI networks with multiple functions and users in social or e-commerce networks exhibiting diverse interests. Tackling multi-label node classification (MLNC) on graphs has led to the development of various approaches. Some methods leverage graph neural networks (GNNs) to exploit label co-occurrence correlations, while others incorporate label embeddings to capture label proximity. However, these approaches fail to account for the intricate influences between labels in non-Euclidean graph data. To address this issue, we decompose the message passing process in GNNs into two operations: propagation and transformation. We then conduct a comprehensive analysis and quantification of the influence correlations between labels in each operation. Building on these insights, we propose a novel model, Label Influence Propagation (LIP). Specifically, we construct a label influence graph based on the integrated label correlations. Then, we propagate high-order influences through this graph, dynamically adjusting the learning process by amplifying labels with positive contributions and mitigating those with negative influence. Finally, our framework is evaluated on comprehensive benchmark datasets, consistently outperforming SOTA methods across various settings, demonstrating its effectiveness on MLNC tasks.
• Abstract（参考訳）: グラフは、さまざまなドメインで使用される複雑で汎用的なデータ構造であり、おそらくは複数のラベルノードが特に重要な役割を果たす。 例えば、複数の機能を持つPPIネットワークのタンパク質や、多様な興味を示すソーシャルやeコマースネットワークのユーザなどである。 グラフ上のマルチラベルノード分類(MLNC)に取り組むことで、様々なアプローチが開発されている。 グラフニューラルネットワーク(GNN)を利用してラベルの共起相関を利用する方法もあるが、ラベルの埋め込みを組み込んでラベルの近接を捉える方法もある。 しかし、これらのアプローチは、非ユークリッドグラフデータにおけるラベル間の複雑な影響を説明できない。 この問題に対処するため、GNN内のメッセージパッシングプロセスを2つの操作に分解する。 次に,各操作におけるラベル間の影響相関の包括的分析と定量化を行う。 これらの知見に基づいて,新しいモデルであるラベル影響伝播(LIP)を提案する。 具体的には,統合されたラベル相関に基づくラベル影響グラフを構築する。 そして、このグラフを通して高次影響を伝播させ、正の寄与でラベルを増幅し、負の影響で緩和することにより学習過程を動的に調整する。 最後に、我々のフレームワークは総合的なベンチマークデータセットに基づいて評価され、様々な設定でSOTAメソッドを一貫して上回り、MLNCタスクにおけるその有効性を示す。

関連論文リスト

• Correlation-Aware Graph Convolutional Networks for Multi-Label Node Classification [32.4968073593255]
  マルチラベルノード分類のための相関対応グラフ畳み込みネットワーク(CorGCN)を提案する。 CorGCNは新しい相関対応グラフ分解モジュールを導入することで、ラベルごとにリッチなラベル関連情報を含むグラフを学習できる。
  論文  参考訳（メタデータ） (2024-11-26T11:52:47Z)
• 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)
• Graph Attention Transformer Network for Multi-Label Image Classification [50.0297353509294]
  複雑なラベル間関係を効果的にマイニングできる多ラベル画像分類のための一般的なフレームワークを提案する。 提案手法は3つのデータセット上で最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2022-03-08T12:39:05Z)
• 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)

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。