論文の概要: MDTE: Minority-Aware Diffusion over Temporal Edge Events for Imbalanced Node Classification
- arxiv url: http://arxiv.org/abs/2608.24812v1
- Date: Tue, 25 Aug 2026 16:56:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.109813
- Title: MDTE: Minority-Aware Diffusion over Temporal Edge Events for Imbalanced Node Classification
- Title（参考訳）: MDTE:不均衡ノード分類のための時間的エッジイベント上の微小性を考慮した拡散
- Abstract要約: MDTEは条件拡散デノナイジングにより、安定かつ差別的な時間的エッジイベント表現を再構成する。
特徴再構成とトポロジー予測を利用して、分布学習におけるクラスワイズの違いを特徴づける。
5つの実世界のデータセットの実験では、MDTEは少数クラス指向のメトリクスにおいて、常に最高のパフォーマンスを達成している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Class-imbalanced node classification on temporal graphs is challenging because majority-dominated temporal propagation progressively assimilates minority representations, while conventional node and neighborhood information provides insufficient discriminative evidence for minority classes. To address these issues, we propose MDTE, a minority-aware diffusion framework that reconstructs stable and discriminative temporal edge-event representations through conditional diffusion denoising. Specifically, MDTE introduces Distribution-Aware Selective Propagation, which combines Local Outlier Factor (LOF)-based propagation filtering with cluster-aware low-frequency propagation. The module preserves informative neighborhood dependencies while mitigating harmful propagation and majority-class information assimilation. It further develops Multi-View Discriminative Fusion, which exploits feature reconstruction and topology prediction to characterize class-wise differences in distribution learning and extracts complementary discriminability signals to guide denoising. Experiments on five real-world datasets demonstrate that MDTE consistently achieves the best performance on minority-class-oriented metrics, improving minority-class recall by up to 23.53 percentage points, minority-class F1 by 8.68 percentage points, and AUPRC by 2.67 percentage points over the strongest baselines.
- Abstract（参考訳）: 時間グラフ上のクラス不均衡ノード分類は、多数が支配する時間的プログレッシブが、少数派表現を徐々に同化するのに対して、従来のノード情報と近隣情報は、少数派クラスの識別に不十分な証拠を提供するため、困難である。
これらの問題に対処するため, MDTE は, 条件付き拡散デノジングにより, 安定かつ差別的な時間的エッジイベント表現を再構成するマイノリティー対応拡散フレームワークである。
特に、MDTEでは、LoF(Local Outlier Factor)ベースの伝搬フィルタとクラスタ対応低周波伝搬を組み合わせた分散対応選択伝搬を導入している。
このモジュールは、有害な伝播と多数クラスの情報同化を緩和しながら、情報的近傍依存性を保存する。
さらに、特徴再構成とトポロジ予測を利用して、分布学習におけるクラスワイドの違いを特徴づけ、相補的な識別可能性信号を抽出し、認知をガイドするマルチビュー識別融合を開発した。
実世界の5つのデータセットの実験では、MDTEは、マイノリティ・クラス指向の指標において一貫して最高のパフォーマンスを達成し、マイノリティ・クラス・リコールを最大23.53ポイント、マイノリティ・クラスF1を8.68ポイント、AUPRCを2.67ポイント改善している。
関連論文リスト
- Self-Improving Diffusion Classifiers with Minority Preference Optimization [16.52248070887429]
拡散分類器の出現におけるマイノリティサンプリングと知覚能力の直接的関係を示す。
マイノリティ優先最適化(MiPO)を用いたテキストSelf-Improving Diffusionsを提案する。
論文 参考訳（メタデータ） (2026-07-04T08:42:08Z) - Not all tokens contribute equally to diffusion learning [16.928860227988086]
条件拡散モデルは、推論中に意味的に重要なトークンを無視し、バイアスまたは不完全な世代をもたらす。
本研究では,分布の偏りと整合性の観点から意味指導を改善する統一的なフレームワークである分散型空間整合・アンサンブル型空間整合性(DARE)を提案する。
DAREは一貫してセマンティックアライメントを改善し、既存のアプローチよりも大幅に向上する。
論文 参考訳（メタデータ） (2026-04-08T12:45:21Z) - Generative Classifiers Avoid Shortcut Solutions [84.23247217037134]
分類に対する差別的なアプローチは、しばしば、分配されるが、小さな分布シフトの下で失敗するショートカットを学習する。
生成型分類器は、主にスパイラルな特徴ではなく、コアとスパイラルの両方の全ての特徴をモデル化することでこの問題を回避することができることを示す。
拡散型および自己回帰型生成型分類器は,5つの標準画像およびテキスト分散シフトベンチマークにおいて最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-12-31T18:31:46Z) - A Gift from the Integration of Discriminative and Diffusion-based Generative Learning: Boundary Refinement Remote Sensing Semantic Segmentation [8.690665954055476]
本稿では,IDGBRフレームワークにおける識別学習と生成学習の統合を提案する。
フレームワークはまず、識別バックボーンモデルを用いて粗いセグメンテーションマップを生成する。
この地図と原画像とを条件付きガイダンスネットワークに入力し、ガイダンス表現を共同で学習する。
論文 参考訳（メタデータ） (2025-07-02T10:47:59Z) - Alleviating Performance Disparity in Adversarial Spatiotemporal Graph Learning Under Zero-Inflated Distribution [7.860701527789194]
対人訓練(AT)は、ゼロ・イン・ディストリクト(ZID)の下での多数派と少数派のパフォーマンス格差を悪化させる
マイノリティクラスグラディエントと表現強化のためのフレームワークMinGREを提案する。
論文 参考訳（メタデータ） (2025-04-01T12:31:39Z) - Boost-and-Skip: A Simple Guidance-Free Diffusion for Minority Generation [57.19995625893062]
マイノリティサンプル(Minority sample)は、データ多様体の低密度領域に位置する下記のインスタンスである。
マイノリティサンプルを生成するために,Boost-and-Skipというシンプルなガイダンスのない手法を提案する。
これらの一見自明な修正は、確固たる理論と実証的な証拠によって支えられていることを強調する。
論文 参考訳（メタデータ） (2025-02-10T14:37:26Z) - Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
本稿では,ラベルスキュード・フェデレーション学習の新しいアプローチであるFedVLSを紹介する。
空のクラス蒸留とロジット抑制を同時に統合する。
FedVLSの有効性を検証する実験は、従来のSOTA(State-of-the-art)法と比較して優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-04T16:06:31Z) - Combating Representation Learning Disparity with Geometric Harmonization [50.29859682439571]
本稿では,表現学習におけるカテゴリレベルの均一性を促進するために,新しい幾何調和法を提案する。
我々の提案はSSLの設定を変更せず、低コストで既存のメソッドに容易に統合できる。
論文 参考訳（メタデータ） (2023-10-26T17:41:11Z) - Discrimination and Class Imbalance Aware Online Naive Bayes [5.065947993017157]
ストリーム学習アルゴリズムは、人間を重要な意思決定ポイントで置き換えるために使用される。
近年の識別認識学習法は総合的精度に基づいて最適化されている。
本研究では,ストリームに埋め込まれた識別を緩和するために,Na"ive Bayes"の新たな適応を提案する。
論文 参考訳（メタデータ） (2022-11-09T11:20:19Z) - Targeted Supervised Contrastive Learning for Long-Tailed Recognition [50.24044608432207]
実世界のデータは、しばしば重いクラス不均衡の長い尾の分布を示す。
教師付きコントラスト学習は性能向上に寄与するが、過去のベースラインは不均衡なデータ分布によってもたらされる不均一さに悩まされている。
我々は,超球面上の特徴分布の均一性を改善するための教師付きコントラスト学習(TSC)を提案する。
論文 参考訳（メタデータ） (2021-11-27T22:40:10Z) - M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。
本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。
提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
論文 参考訳（メタデータ） (2020-04-01T13:21:17Z)
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。