GraFN:ノンパラメトリック分布割当による少数ラベル付きグラフ上の半教師付きノード分類【JST・京大機械翻訳】

Lee Junseok; Oh Yunhak; In Yeonjun; Lee Namkyeong; Hyun Dongmin; Park Chanyoung

プレプリント

J-GLOBAL ID：202202207498846821 整理番号：22P0324800

GraFN:ノンパラメトリック分布割当による少数ラベル付きグラフ上の半教師付きノード分類【JST・京大機械翻訳】

GraFN: Semi-Supervised Node Classification on Graph with Few Labels via Non-Parametric Distribution Assignment

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年04月04日プレプリントサーバーでの情報更新日： 2022年04月27日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

様々なアプリケーションにおけるグラフニューラルネットワーク(GNN)の成功にもかかわらず,GNNは,監視信号量,即ち,ラベル付きノードの数が制限され,ラベル付きノードから得られた監視に基づいてのみ訓練される,が制約される。他方,自己監督学習パラダイムは,ラベル付きノードを必要としないプレテキストタスクを解くことによりGNNを訓練し,少数のラベル付きノードで訓練されたGNNを凌駕することが示された。しかし,自己監督法の主な欠点は,訓練中にラベル付き情報が利用されないので,学習クラス識別ノード表現の短縮が短いことである。この目的のために,同じクラスに属するノードを一緒にグループ化するために,少数のラベル付きノードを利用するグラフ,GraFNのための新しい半教師つき方法を提案し,それによって,半教師つきおよび自己監督された方法の両方の世界で最良のものを達成した。特に,GraFNは,ラベル付きノードからのノードと全体グラフからアンカーノードをサポートした。次に,2つの異なる拡張グラフからアンカーサポート類似性によってノンパラメトリックに割り当てられる2つの予測クラス分布間の差を最小化する。著者らは,GraFNが,実世界グラフ上のノード分類に関して,半教師つきおよび自己監督法の両方を上回ることを実験的に示した。GraFNのソースコードはhttps://github.com/Junseok0207/GraFNで利用可能である。【JST・京大機械翻訳】

, , , , , ,
, 【Automatic Indexing@JST】

人工知能

, , , , , , ,

前のページに戻る