Semi-supervised Node Importance Estimation with Informative Distribution Modeling for Uncertainty Regularization

要約

ネットワーク分析の古典的な問題であるノードの重要性推定は、さまざまなWebアプリケーションを支えています。
以前の方法は、ノード機能の強化のために、グラフの中心性など、グラフの中心性など、追加情報、たとえばデータの不均一性を活用するかのいずれかです。
ただし、これらの方法は、監視された学習設定に従い、基本的な微調節の重要性データが通常、実際に部分的にラベル付けされているという事実を見落としています。
この作業では、不均一なグラフの非標識データの学習品質を改善するために、最初の半監視ノードの重要性推定フレームワークを提案します。
以前のアプローチとは異なり、モデルの予測の信頼を反映するために、不確実性を明示的にキャプチャします。
重要性の価値と不確実性を共同で推定するために、Easingには、深いエンコーダーデコーダーニューラルアーキテクチャであるDJEが組み込まれています。
DJEは、分布表現が重要性と不確実性の推定値の両方を導き出すグラフノードの分布モデリングを導入します。
さらに、DJEは、トレーニングサンプルを豊かにするために、非標識データの効果的な擬似ラベル生成を促進します。
ラベル付きおよび擬似標識データに基づいて、Easingは、さまざまなノードの不確実性の正則化を伴う効果的な半監視ヘテロ脱脱切り留学学習を開発します。
3つの実際のデータセットでの広範な実験は、競合する方法と比較して、緩和の優れた性能を強調しています。
コードはhttps://github.com/yankai-chen/easingから入手できます。

要約(オリジナル)

Node importance estimation, a classical problem in network analysis, underpins various web applications. Previous methods either exploit intrinsic topological characteristics, e.g., graph centrality, or leverage additional information, e.g., data heterogeneity, for node feature enhancement. However, these methods follow the supervised learning setting, overlooking the fact that ground-truth node-importance data are usually partially labeled in practice. In this work, we propose the first semi-supervised node importance estimation framework, i.e., EASING, to improve learning quality for unlabeled data in heterogeneous graphs. Different from previous approaches, EASING explicitly captures uncertainty to reflect the confidence of model predictions. To jointly estimate the importance values and uncertainties, EASING incorporates DJE, a deep encoder-decoder neural architecture. DJE introduces distribution modeling for graph nodes, where the distribution representations derive both importance and uncertainty estimates. Additionally, DJE facilitates effective pseudo-label generation for the unlabeled data to enrich the training samples. Based on labeled and pseudo-labeled data, EASING develops effective semi-supervised heteroscedastic learning with varying node uncertainty regularization. Extensive experiments on three real-world datasets highlight the superior performance of EASING compared to competing methods. Codes are available via https://github.com/yankai-chen/EASING.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google