論文の概要: Out-Of-Distribution Generalization on Graphs: A Survey
- arxiv url: http://arxiv.org/abs/2202.07987v1
- Date: Wed, 16 Feb 2022 10:59:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-17 15:35:46.181161
- Title: Out-Of-Distribution Generalization on Graphs: A Survey
- Title(参考訳): グラフのアウトオブディストリビューション一般化:調査
- Authors: Haoyang Li, Xin Wang, Ziwei Zhang, Wenwu Zhu
- Abstract要約: グラフ機械学習は学術と産業の両方で広く研究されている。
ほとんどの文献はI.I.D.仮説に基づいて構築されている。
この問題を解決するために、グラフのアウト・オブ・ディストリビューション(OOD)一般化は大きな進歩を遂げ、研究コミュニティから注目を集めている。
本論文は,OODのグラフへの一般化の体系的および包括的レビューとして,我々の知識を最大限に活用した最初のものである。
- 参考スコア(独自算出の注目度): 45.16337435648981
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Graph machine learning has been extensively studied in both academia and
industry. Although booming with a vast number of emerging methods and
techniques, most of the literature is built on the I.I.D. hypothesis, i.e.,
testing and training graph data are independent and identically distributed.
However, this I.I.D. hypothesis can hardly be satisfied in many real-world
graph scenarios where the model performance substantially degrades when there
exist distribution shifts between testing and training graph data. To solve
this critical problem, out-of-distribution (OOD) generalization on graphs,
which goes beyond the I.I.D. hypothesis, has made great progress and attracted
ever-increasing attention from the research community. In this paper, we
comprehensively survey OOD generalization on graphs and present a detailed
review of recent advances in this area. First, we provide a formal problem
definition of OOD generalization on graphs. Second, we categorize existing
methods into three classes from conceptually different perspectives, i.e.,
data, model, and learning strategy, based on their positions in the graph
machine learning pipeline, followed by detailed discussions for each category.
We also review the theories related to OOD generalization on graphs and
introduce the commonly used graph datasets for thorough evaluations. Last but
not least, we share our insights on future research directions. This paper is
the first systematic and comprehensive review of OOD generalization on graphs,
to the best of our knowledge.
- Abstract(参考訳): グラフ機械学習は学術と産業の両方で広く研究されている。
膨大な数の新しい手法や技術でブームとなったが、ほとんどの文献はI.I.D.仮説に基づいて構築されている。
しかし、このI.I.D.仮説は、テストとトレーニンググラフデータの間に分散シフトが存在する場合、モデルの性能が著しく低下する多くの実世界のグラフシナリオでは、ほとんど満足できない。
この重要な問題を解決するため、I.I.D.仮説を超えるグラフのアウト・オブ・ディストリビューション(OOD)一般化は大きな進歩を遂げ、研究コミュニティから注目を集めている。
本稿では,グラフ上でのOOD一般化を包括的に調査し,最近の進歩を概観する。
まず、グラフ上のOOD一般化の形式的問題定義を提供する。
第2に,既存の手法を概念的に異なる視点,すなわちグラフ機械学習パイプラインの位置に基づいて,データ,モデル,学習戦略から3つのクラスに分類し,各カテゴリについて詳細な議論を行う。
また,グラフ上のood一般化に関する理論をレビューし,一般的なグラフデータセットを徹底的に評価するために紹介する。
最後に、私たちは将来の研究の方向性について洞察を共有しています。
本稿は,OODのグラフへの一般化の体系的および包括的レビューを,我々の知る限り,初めて行ったものである。
関連論文リスト
- Beyond Generalization: A Survey of Out-Of-Distribution Adaptation on
Graphs [22.561747395557642]
本稿では,OF-Distribution (OOD) 適応法について,最新かつ前向きに検討する。
提案するグラフOOD適応分類法に基づいて,既存の手法を学習パラダイムに従って体系的に分類する。
我々は,有望な研究方針とそれに対応する課題を指摘する。
論文 参考訳(メタデータ) (2024-02-17T00:40:12Z) - Investigating Out-of-Distribution Generalization of GNNs: An
Architecture Perspective [45.352741792795186]
グラフ自己アテンション機構と疎結合アーキテクチャはグラフOOD一般化に肯定的に寄与することを示す。
我々は,グラフ自己保持機構と疎結合アーキテクチャの両方の堅牢性を活用するために,新しいGNNバックボーンモデルDGATを開発した。
論文 参考訳(メタデータ) (2024-02-13T05:38:45Z) - SGOOD: Substructure-enhanced Graph-Level Out-of-Distribution Detection [4.052070217235155]
グラフレベルのOOD検出フレームワークであるSGOODを提案する。
ID グラフと OOD グラフの間には,構造的な違いがよく見られる。
SGOODは明らかにサブストラクチャを利用して、優れたパフォーマンスを達成するために強力な表現を学ぶ。
論文 参考訳(メタデータ) (2023-10-16T09:51:24Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳(メタデータ) (2023-01-14T09:15:49Z) - Graph Learning and Its Advancements on Large Language Models: A Holistic
Survey [36.29355162928116]
この調査は、グラフ学習と事前訓練された言語モデルの統合における最新の進歩に焦点を当てる。
グラフ構造の観点から現在の研究を解析し、グラフ学習における最新の応用、トレンド、課題について論じる。
論文 参考訳(メタデータ) (2022-12-17T22:05:07Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳(メタデータ) (2022-12-12T08:40:04Z) - GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection [67.90365841083951]
我々は,OODグラフを検出するための新しいグラフコントラスト学習フレームワークGOOD-Dを開発した。
GOOD-Dは、潜在IDパターンをキャプチャし、異なる粒度のセマンティック不整合に基づいてOODグラフを正確に検出することができる。
教師なしグラフレベルのOOD検出における先駆的な研究として,提案手法と最先端手法を比較した総合的なベンチマークを構築した。
論文 参考訳(メタデータ) (2022-11-08T12:41:58Z) - Unbiased Graph Embedding with Biased Graph Observations [52.82841737832561]
基礎となるバイアスのないグラフから学習することで、バイアスのない表現を得るための、原則化された新しい方法を提案する。
この新たな視点に基づいて、そのような基礎となるグラフを明らかにするための2つの補完的手法を提案する。
論文 参考訳(メタデータ) (2021-10-26T18:44:37Z) - Graph Classification by Mixture of Diverse Experts [67.33716357951235]
我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。
GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。
実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
論文 参考訳(メタデータ) (2021-03-29T14:03:03Z) - Out-of-Sample Representation Learning for Multi-Relational Graphs [8.956321788625894]
非分散知識グラフに対するアウトオブサンプル表現学習問題について検討する。
このタスクのためのベンチマークデータセットを作成し、いくつかのモデルとベースラインを開発し、提案したモデルとベースラインの実証分析と比較を提供する。
論文 参考訳(メタデータ) (2020-04-28T00:53:01Z)
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。