論文の概要: Position: Graph Learning Will Lose Relevance Due To Poor Benchmarks

• arxiv url: http://arxiv.org/abs/2502.14546v1
• Date: Thu, 20 Feb 2025 13:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 14:30:25.571914
• Title: Position: Graph Learning Will Lose Relevance Due To Poor Benchmarks
• Title（参考訳）: グラフ学習はベンチマークの低さによって関連性が失われる
• Authors: Maya Bechler-Speicher, Ben Finkelshtein, Fabrizio Frasca, Luis Müller, Jan Tönshoff, Antoine Siraudin, Viktor Zaverkin, Michael M. Bronstein, Mathias Niepert, Bryan Perozzi, Mikhail Galkin, Christopher Morris,
• Abstract要約: グラフ上の機械学習は、薬物設計と分子特性予測の可能性を証明している。 このポジションペーパーは、より有意義なベンチマーク、厳格な評価プロトコル、そしてドメインエキスパートとのより強力なコラボレーションへのパラダイムシフトを要求する。
• 参考スコア（独自算出の注目度）: 37.020118015110086
• License:
• Abstract: While machine learning on graphs has demonstrated promise in drug design and molecular property prediction, significant benchmarking challenges hinder its further progress and relevance. Current benchmarking practices often lack focus on transformative, real-world applications, favoring narrow domains like two-dimensional molecular graphs over broader, impactful areas such as combinatorial optimization, relational databases, or chip design. Additionally, many benchmark datasets poorly represent the underlying data, leading to inadequate abstractions and misaligned use cases. Fragmented evaluations and an excessive focus on accuracy further exacerbate these issues, incentivizing overfitting rather than fostering generalizable insights. These limitations have prevented the development of truly useful graph foundation models. This position paper calls for a paradigm shift toward more meaningful benchmarks, rigorous evaluation protocols, and stronger collaboration with domain experts to drive impactful and reliable advances in graph learning research, unlocking the potential of graph learning.
• Abstract（参考訳）: グラフ上の機械学習は、薬物設計と分子特性予測において有望であることを示しているが、重要なベンチマークの課題は、そのさらなる進歩と関連性を妨げている。 現在のベンチマークのプラクティスは、変換的で現実世界のアプリケーションに重点を置いておらず、組合せ最適化やリレーショナルデータベース、チップ設計といった、より広範で影響力のある領域よりも2次元の分子グラフのような狭い領域を好んでいる。 さらに、多くのベンチマークデータセットは、基盤となるデータの表現が不十分で、抽象化が不十分で、ユースケースが不整合である。 断片的な評価と正確さへの過度な注力によりこれらの問題がさらに悪化し、一般化可能な洞察を育むよりも過度な適合を促す。 これらの制限により、真に有用なグラフ基盤モデルの開発が妨げられた。 このポジションペーパーは、より有意義なベンチマーク、厳格な評価プロトコル、およびグラフ学習研究における影響力のある信頼性の高い進歩を推進すべく、ドメイン専門家とのより強力なコラボレーションへのパラダイムシフトを訴え、グラフ学習の可能性を解き放つ。

関連論文リスト

• Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
  大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。 この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
  論文  参考訳（メタデータ） (2024-08-26T06:36:42Z)
• CORE: Data Augmentation for Link Prediction via Information Bottleneck [25.044734252779975]
  リンク予測(LP)はグラフ表現学習の基本的な課題である。 LPモデルのコンパクトかつ予測的な拡張を学習するための新しいデータ拡張手法であるCOREを提案する。
  論文  参考訳（メタデータ） (2024-04-17T03:20:42Z)
• Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward Comprehensive Benchmarks [60.82579717007963]
  本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-24T01:47:56Z)
• Uncertainty-Aware Robust Learning on Noisy Graphs [16.66112191539017]
  本稿では,分散的ロバストな最適化を動機とした,新しい不確実性を考慮したグラフ学習フレームワークを提案する。 具体的には、グラフニューラルネットワークベースのエンコーダを使用して、ノードの特徴を埋め込んで、最適なノード埋め込みを見つけます。 このような不確実性を考慮した学習プロセスは、ノード表現の改善と、より堅牢なグラフ予測モデルをもたらす。
  論文  参考訳（メタデータ） (2023-06-14T02:45:14Z)
• Augmentations in Graph Contrastive Learning: Current Methodological Flaws & Towards Better Practices [20.95255742208036]
  グラフ分類は、バイオインフォマティクス、社会科学、自動偽ニュース検出、Webドキュメント分類などに適用できる。 近年、コントラスト学習(CL)により、教師なしコンピュータビジョンモデルと教師なしコンピュータビジョンモデルとの競争が活発化している。 i) 既存のグラフCLフレームワークが、弱い拡張や限られたデータにもかかわらず、なぜうまく機能するのか、そして (ii) 視覚的なCL原則に固執することで、グラフ分類タスクのパフォーマンスが向上するかどうかを判断する。
  論文  参考訳（メタデータ） (2021-11-05T02:15:01Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Addressing Class Imbalance in Scene Graph Parsing by Learning to Contrast and Score [65.18522219013786]
  シーングラフ解析は、画像シーン内のオブジェクトを検出し、それらの関係を認識することを目的としている。 最近の手法は、いくつかの人気のあるベンチマークで高い平均スコアを達成しているが、稀な関係を検出するには失敗している。 本稿では,クラス不均衡問題を解決するために,分類とランキングの新たな統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T13:57:59Z)

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。