[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

SamGoG: A Sampling-Based Graph-of-Graphs Framework for Imbalanced Graph Classification

Created by
  • Haebom

作者

Shangyou Wang, Zezhong Ding, Xike Xie

概要

本稿では、グラフ分類作業におけるクラスの不均衡とグラフサイズの不均衡という2つの重要な不均衡問題を解決するために、SamGoGというサンプリングベースのグラフ・オブ・グラフ（GoG）学習フレームワークを提案します。 SamGoGは、効率的な重要度ベースのサンプリングメカニズムを介して複数のGoGを構築し、順次学習します。このサンプリングメカニズムは、学習可能なペアごとの類似度と適応GoGノード次数を統合し、エッジ同種性を向上させ、ダウンストリームモデルの品質を向上させます. SamGoGは多様なダウンストリームGNNとシームレスに統合され、グラフ分類作業に効率的な適応を可能にします。ベンチマークデータセットの広範な実験は、SamGoGが最先端のパフォーマンスを達成し、最大15.66％の精度向上と6.7倍の学習速度向上を示しています。

Takeaways、Limitations

•
Takeaways：
◦
クラスの不均衡とグラフサイズの不均衡問題を同時に効果的に解決する新しいフレームワークの提示
◦
効率的な重要度に基づくサンプリングメカニズムにより計算コストを削減
◦
学習可能なペアごとの類似度と適応GoGノード次数を利用することでエッジ同種性を改善し,モデル性能を改善
◦
様々なダウンストリームGNNとの互換性により、幅広い利用可能性を提示
◦
従来方式と比較して最大15.66%の精度向上と6.7倍の学習速度向上を達成
•
Limitations:
◦
提案された方法の一般化性能に関するさらなる研究の必要性
◦
特定の種類のグラフデータのパフォーマンス評価が必要であり、さまざまなグラフ構造のロバスト性検証が必要
◦
サンプリングメカニズムのパラメータ最適化に関するさらなる研究が必要
◦
大規模グラフデータセットの適用性と拡張性の追加レビューが必要
👍
Made with Slashpage