論文の概要: Survey on Generalization Theory for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2503.15650v1
• Date: Wed, 19 Mar 2025 19:04:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:36:10.926294
• Title: Survey on Generalization Theory for Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークの一般化理論に関する調査研究
• Authors: Antonis Vasileiou, Stefanie Jegelka, Ron Levie, Christopher Morris,
• Abstract要約: メッセージパッシンググラフニューラルネットワーク(MPNN)は、グラフ上での機械学習の主要なアプローチである。 我々はMPNNの一般化能力に関する既存の文献を体系的にレビューする。
• 参考スコア（独自算出の注目度）: 34.561193142896364
• License:
• Abstract: Message-passing graph neural networks (MPNNs) have emerged as the leading approach for machine learning on graphs, attracting significant attention in recent years. While a large set of works explored the expressivity of MPNNs, i.e., their ability to separate graphs and approximate functions over them, comparatively less attention has been directed toward investigating their generalization abilities, i.e., making meaningful predictions beyond the training data. Here, we systematically review the existing literature on the generalization abilities of MPNNs. We analyze the strengths and limitations of various studies in these domains, providing insights into their methodologies and findings. Furthermore, we identify potential avenues for future research, aiming to deepen our understanding of the generalization abilities of MPNNs.
• Abstract（参考訳）: メッセージパッシンググラフニューラルネットワーク(MPNN)がグラフ上での機械学習の主要なアプローチとして登場し、近年大きな注目を集めている。 多くの研究がMPNNの表現性、すなわちグラフと近似関数を分離する能力について検討しているが、比較的注意が払われていないのは一般化能力、すなわちトレーニングデータを超えて有意義な予測を行うことである。 本稿では,MPNNの一般化能力に関する既存の文献を体系的にレビューする。 これらの領域における様々な研究の長所と短所を分析し,その方法論と知見について考察する。 さらに,MPNNの一般化能力の理解を深めることを目的として,今後の研究の道筋を明らかにする。

関連論文リスト

• Covered Forest: Fine-grained generalization analysis of graph neural networks [14.729609626353112]
  我々は,MPNNの一般化能力に対するグラフ構造,集約,損失関数の影響を評価するために,グラフ類似性理論の最近の進歩を拡張した。 我々の実証研究は、MPNNの一般化特性の理解を深め、我々の理論的洞察を支持している。
  論文  参考訳（メタデータ） (2024-12-10T01:45:59Z)
• A Manifold Perspective on the Statistical Generalization of Graph Neural Networks [84.01980526069075]
  我々は、スペクトル領域の多様体からサンプリングされたグラフ上のGNNの統計的一般化理論を確立するために多様体の視点を取る。 我々はGNNの一般化境界が対数スケールのグラフのサイズとともに線形に減少し、フィルタ関数のスペクトル連続定数とともに線形的に増加することを証明した。
  論文  参考訳（メタデータ） (2024-06-07T19:25:02Z)
• Future Directions in the Theory of Graph Machine Learning [49.049992612331685]
  グラフ上の機械学習、特にグラフニューラルネットワーク(GNN)を使用すると、グラフデータが広く利用できるため、関心が高まっている。 実際の成功にもかかわらず、GNNの特性に関する理論的理解は非常に不完全である。
  論文  参考訳（メタデータ） (2024-02-03T22:55:31Z)
• The Expressive Power of Graph Neural Networks: A Survey [8.652204270723994]
  定義の異なる表現力向上モデルに関する第1回調査を行う。 モデルは、グラフ機能拡張、グラフトポロジ拡張、GNNアーキテクチャ拡張という3つのカテゴリに基づいてレビューされる。
  論文  参考訳（メタデータ） (2023-08-16T09:12:21Z)
• A Survey on Explainability of Graph Neural Networks [4.612101932762187]
  グラフニューラルネットワーク(GNN)は、グラフベースの強力なディープラーニングモデルである。 本調査は,GNNの既存の説明可能性技術の概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2023-06-02T23:36:49Z)
• Transferability of coVariance Neural Networks and Application to Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
  グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。 我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。 VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
  論文  参考訳（メタデータ） (2023-05-02T22:15:54Z)
• On the Expressiveness and Generalization of Hypergraph Neural Networks [77.65788763444877]
  この拡張抽象化はハイパーグラフニューラルネットワーク(HyperGNN)の表現性、学習、および(構造的)一般化を分析するためのフレームワークを記述する。 具体的には、HyperGNNが有限データセットからどのように学習し、任意の入力サイズのグラフ推論問題に構造的に一般化するかに焦点を当てる。
  論文  参考訳（メタデータ） (2023-03-09T18:42:18Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• An Analysis of Attentive Walk-Aggregating Graph Neural Networks [34.866935881726256]
  グラフニューラルネットワーク(GNN)は強力な表現力を持っていることが示されている。 AWAREと呼ばれる新しいGNNモデルを提案し、アテンションスキームを用いて、グラフ内のウォークに関する情報を集約する。
  論文  参考訳（メタデータ） (2021-10-06T11:41:12Z)
• Node Masking: Making Graph Neural Networks Generalize and Scale Better [71.51292866945471]
  グラフニューラルネットワーク(GNN)は近年,多くの関心を集めている。 本稿では,芸術空間のGNNの状態によって実行される操作をよりよく可視化するために,いくつかの理論ツールを利用する。 私たちはNode Maskingというシンプルなコンセプトを導入しました。
  論文  参考訳（メタデータ） (2020-01-17T06:26:40Z)

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。