論文の概要: Informed, but Not Always Improved: Challenging the Benefit of Background Knowledge in GNNs

• arxiv url: http://arxiv.org/abs/2505.11023v1
• Date: Fri, 16 May 2025 09:21:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.465881
• Title: Informed, but Not Always Improved: Challenging the Benefit of Background Knowledge in GNNs
• Title（参考訳）: インフォームド・インフォームド・インフルエンスの改善 - GNNにおけるバックグラウンド知識のメリットの育成
• Authors: Kutalmış Coşkun, Ivo Kavisanczki, Amin Mirzaei, Tom Siegl, Bjarne C. Hiller, Stefan Lüdtke, Martin Becker,
• Abstract要約: バックグラウンド知識(BK)グラフは、グラフベースの機械学習パイプラインで使用される。 我々は,BKが重要な実世界の課題である癌分類サブタイプにおいて果たす役割について検討する。 我々は、BKを用いた最先端のGNNが、非インフォームドモデルより優れていることを発見した。
• 参考スコア（独自算出の注目度）: 2.249017520428527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In complex and low-data domains such as biomedical research, incorporating background knowledge (BK) graphs, such as protein-protein interaction (PPI) networks, into graph-based machine learning pipelines is a promising research direction. However, while BK is often assumed to improve model performance, its actual contribution and the impact of imperfect knowledge remain poorly understood. In this work, we investigate the role of BK in an important real-world task: cancer subtype classification. Surprisingly, we find that (i) state-of-the-art GNNs using BK perform no better than uninformed models like linear regression, and (ii) their performance remains largely unchanged even when the BK graph is heavily perturbed. To understand these unexpected results, we introduce an evaluation framework, which employs (i) a synthetic setting where the BK is clearly informative and (ii) a set of perturbations that simulate various imperfections in BK graphs. With this, we test the robustness of BK-aware models in both synthetic and real-world biomedical settings. Our findings reveal that careful alignment of GNN architectures and BK characteristics is necessary but holds the potential for significant performance improvements.
• Abstract（参考訳）: バイオメディカルリサーチのような複雑で低データ領域では、タンパク質-タンパク質相互作用(PPI)ネットワークのような背景知識(BK)グラフをグラフベースの機械学習パイプラインに組み込むことが、有望な研究方向である。 しかしながら、BKはモデル性能を改善すると仮定されることが多いが、その実際の貢献と不完全な知識の影響はいまだに理解されていない。 本研究では,がんサブタイプ分類におけるBKの役割について検討する。 驚いたことに、私たちはそのことに気づきました。 (i)BKを用いた最先端のGNNは、線形回帰のようなインフォームドモデルに劣らない性能を示し、 (II)BKグラフの摂動が激しい場合でも、その性能はほとんど変化しない。 これらの予期せぬ結果を理解するために,我々は評価フレームワークを導入する。 i)BKが明瞭に情報化され合成された環境 (ii) BKグラフの様々な不完全性をシミュレートする摂動の集合。 これにより,BKを意識したバイオメディカル・セッティングと実世界のバイオメディカル・セッティングの両面でのロバスト性を検証した。 以上の結果から,GNNアーキテクチャとBK特性の綿密なアライメントは必要だが,大幅な性能向上の可能性を秘めていることがわかった。

関連論文リスト

• On the Relationship Between Robustness and Expressivity of Graph Neural Networks [7.161966906570077]
  グラフニューラルネットワーク(GNN)はビットフリップ攻撃(BFA)に対して脆弱である 建築的特徴, グラフ特性, 相互作用の影響を研究するための分析フレームワークを提案する。 我々は、データセット上でGNN表現性を劣化させるために必要なビットフリップ数に関する理論的境界を導出する。
  論文  参考訳（メタデータ） (2025-04-18T16:38:33Z)
• Exploiting Individual Graph Structures to Enhance Ecological Momentary Assessment (EMA) Forecasting [4.951599300340955]
  本研究では,GNN(Recurrent and Temporal Graph Neural Networks)の性能について検討する。 また,異なる特徴を持つグラフの構築がGNNの性能に与える影響についても検討した。 学習過程で動的に洗練されるGNN学習グラフの評価を行った。
  論文  参考訳（メタデータ） (2024-03-28T14:11:40Z)
• On provable privacy vulnerabilities of graph representations [34.45433384694758]
  グラフ表現学習(GRL)は複雑なネットワーク構造から洞察を抽出するために重要である。 また、これらの表現にプライバシー上の脆弱性があるため、セキュリティ上の懸念も高まる。 本稿では,エッジ再構成攻撃により,高感度なトポロジ情報を推定できるグラフニューラルモデルの構造的脆弱性について検討する。
  論文  参考訳（メタデータ） (2024-02-06T14:26:22Z)
• Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
  本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-05T09:05:33Z)
• Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
  グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。 以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-12T09:18:12Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Benchmarking Graph Neural Networks for FMRI analysis [0.0]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習するための強力なツールとして登場した。 うつ病と自閉症スペクトラム障害の診断における5つのGNNアーキテクチャの性能について検討・評価を行った。 機能的脳データのための最適グラフ構造を作成することは、GNNの性能を阻害する主要なボトルネックである。
  論文  参考訳（メタデータ） (2022-11-16T14:16:54Z)
• Position-aware Structure Learning for Graph Topology-imbalance by Relieving Under-reaching and Over-squashing [67.83086131278904]
  トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。 PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。 私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
  論文  参考訳（メタデータ） (2022-08-17T14:04:21Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Improving Graph Neural Network Expressivity via Subgraph Isomorphism Counting [63.04999833264299]
  グラフサブストラクチャネットワーク(GSN)は,サブストラクチャエンコーディングに基づくトポロジ的に認識可能なメッセージパッシング方式である。 Wesfeiler-Leman (WL) グラフ同型テストよりも厳密に表現可能であることを示す。 グラフ分類と回帰タスクについて広範囲に評価を行い、様々な実世界の環境において最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-06-16T15:30:31Z)

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。