論文の概要: Graph Generative Models Evaluation with Masked Autoencoder

• arxiv url: http://arxiv.org/abs/2503.13271v1
• Date: Mon, 17 Mar 2025 15:23:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:59:19.142868
• Title: Graph Generative Models Evaluation with Masked Autoencoder
• Title（参考訳）: マスクオートエンコーダを用いたグラフ生成モデルの評価
• Authors: Chengen Wang, Murat Kantarcioglu,
• Abstract要約: 本稿では,グラフマスク付きオートエンコーダを用いてグラフ生成モデル評価のためのグラフ特徴を効果的に抽出する手法を提案する。 我々は,グラフに関する広範な実験を行い,提案手法よりも信頼性と有効性を実証した。
• 参考スコア（独自算出の注目度）: 10.977907906989342
• License:
• Abstract: In recent years, numerous graph generative models (GGMs) have been proposed. However, evaluating these models remains a considerable challenge, primarily due to the difficulty in extracting meaningful graph features that accurately represent real-world graphs. The traditional evaluation techniques, which rely on graph statistical properties like node degree distribution, clustering coefficients, or Laplacian spectrum, overlook node features and lack scalability. There are newly proposed deep learning-based methods employing graph random neural networks or contrastive learning to extract graph features, demonstrating superior performance compared to traditional statistical methods, but their experimental results also demonstrate that these methods do not always working well across different metrics. Although there are overlaps among these metrics, they are generally not interchangeable, each evaluating generative models from a different perspective. In this paper, we propose a novel method that leverages graph masked autoencoders to effectively extract graph features for GGM evaluations. We conduct extensive experiments on graphs and empirically demonstrate that our method can be more reliable and effective than previously proposed methods across a number of GGM evaluation metrics, such as "Fr\'echet Distance (FD)" and "MMD Linear". However, no single method stands out consistently across all metrics and datasets. Therefore, this study also aims to raise awareness of the significance and challenges associated with GGM evaluation techniques, especially in light of recent advances in generative models.
• Abstract（参考訳）: 近年,多くのグラフ生成モデル (GGM) が提案されている。 しかし、これらのモデルを評価することは、主に実世界のグラフを正確に表現する有意義なグラフ特徴を抽出することが困難であるため、大きな課題である。 ノード次数分布、クラスタリング係数、ラプラシアスペクトルなどのグラフ統計特性に依存する従来の評価手法は、ノードの特徴を見落とし、スケーラビリティを欠いている。 グラフランダムニューラルネットワークやコントラスト学習を用いてグラフ特徴を抽出し,従来の統計手法と比較して優れた性能を示すディープラーニングベースの手法が新たに提案されているが,実験結果からは,これらの手法が必ずしも異なる指標間でうまく機能するとは限らないことが示されている。 これらの指標には重複があるが、それらは概して交換可能ではなく、それぞれ異なる観点から生成モデルを評価する。 本稿では,グラフマスク付きオートエンコーダを用いて,GGM評価のためのグラフ特徴を効果的に抽出する手法を提案する。 我々はグラフに関する広範な実験を行い、「Fr\'echet Distance (FD) 」や「MMD Linear 」などの GGM 評価指標を用いて,提案手法よりも信頼性と有効性を実証した。 しかしながら、すべてのメトリクスとデータセットで一貫した1つのメソッドは目立たない。 そこで本研究では,GGM評価技術にかかわる意義と課題の認識を高めることを目的としている。

関連論文リスト

• Disentangled Generative Graph Representation Learning [51.59824683232925]
  本稿では,自己教師型学習フレームワークであるDiGGR(Disentangled Generative Graph Representation Learning)を紹介する。 潜伏要因を学習し、それをグラフマスクモデリングのガイドとして活用することを目的としている。 2つの異なるグラフ学習タスクのための11の公開データセットの実験は、DiGGRが従来よりも一貫して多くの自己教師付きメソッドを上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-24T05:13:02Z)
• Can Modifying Data Address Graph Domain Adaptation? [20.343259091425708]
  Unsupervised Graph Domain Adaptation (UGDA)は、ラベル付きソースグラフからラベル付きターゲットグラフへの知識伝達を容易にすることを目的としている。 小さいが転送可能なグラフを生成する新しいUGDA法であるGraphAlignを提案する。 古典的な経験的リスク最小化(ERM)を備えた新しいグラフ上で、GNNのみをトレーニングすることにより、GraphAlignは、ターゲットグラフ上での例外的なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-07-27T17:56:31Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• Evaluating Graph Generative Models with Contrastively Learned Features [9.603362400275868]
  グラフサブストラクチャーネットワーク(GSN)は,グラフデータセット間の距離を区別する上で優れていることを示す。 我々は、ランダムなGNNではなく、対照的に訓練されたGNNの表現を使うことを提案し、その結果、より信頼性の高い評価指標が得られたことを示す。
  論文  参考訳（メタデータ） (2022-06-13T15:14:41Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• On Evaluation Metrics for Graph Generative Models [17.594098458581694]
  既存のグラフ生成モデル(GGM)とニューラル・ネットワーク・ベースのメトリクスを用いてGGMを評価する。 学習せずに有意なグラフ表現を抽出するために,特定のグラフニューラルネットワーク(GNN)の力に触発され,未学習のランダムGNNによって抽出された特徴に基づくいくつかの指標を導入する。
  論文  参考訳（メタデータ） (2022-01-24T18:49:27Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。