How Graph Structure and Label Dependencies Contribute to Node Classification in a Large Network of Documents

要約

WikiVitals という名前の新しいデータセットを導入します。これには、32 のカテゴリに分類され、230 万のエッジで接続された 48,000 の相互参照ウィキペディア記事の大規模なグラフが含まれています。
私たちの目的は、半教師ありノード分類設定におけるラベル予測に対する 3 つの異なる情報源の寄与、つまり記事の内容、それらの相互の関係、およびラベル間の相関関係を厳密に評価することです。
この評価は、このタスクに理論的に原理化されたモデルを提供するグラフ マルコフ ニューラル ネットワークを使用して実行され、モデルの選択とモデルの評価を明確に分離して、各情報源の寄与の詳細な評価を実行します。
興味深い観察の 1 つは、ラベル依存関係の影響を含めることは、密な列車セットよりも疎な列車セットの方がより適切であるということです。

要約(オリジナル)

We introduce a new dataset named WikiVitals which contains a large graph of 48k mutually referred Wikipedia articles classified into 32 categories and connected by 2.3M edges. Our aim is to rigorously evaluate the contributions of three distinct sources of information to the label prediction in a semi-supervised node classification setting, namely the content of the articles, their connections with each other and the correlations among their labels. We perform this evaluation using a Graph Markov Neural Network which provides a theoretically principled model for this task and we conduct a detailed evaluation of the contributions of each sources of information using a clear separation of model selection and model assessment. One interesting observation is that including the effect of label dependencies is more relevant for sparse train sets than it is for dense train sets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google