論文の概要: Oversmoothing, "Oversquashing", Heterophily, Long-Range, and more: Demystifying Common Beliefs in Graph Machine Learning

• arxiv url: http://arxiv.org/abs/2505.15547v1
• Date: Wed, 21 May 2025 14:11:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.681571
• Title: Oversmoothing, "Oversquashing", Heterophily, Long-Range, and more: Demystifying Common Beliefs in Graph Machine Learning
• Title（参考訳）: オーバースムーシング、"オーバースキャッシング"、ヘテロフィリー、ロングランジなど:グラフ機械学習における共通信念の謎化
• Authors: Adrian Arnaiz-Rodriguez, Federico Errica,
• Abstract要約: 我々は,過密・過密,ホモフィリー・ヘテロフィリー二分法,長期的課題に焦点をあてる。 このことが研究課題の曖昧さを招き、研究者が正確な研究課題に焦点を合わせるのを妨げていると我々は主張する。 私たちのコントリビューションは、このような共通の信念を明確にし、これらのトピックに関して批判的な思考を奨励したいと思っています。
• 参考スコア（独自算出の注目度）: 4.020829863982153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: After a renaissance phase in which researchers revisited the message-passing paradigm through the lens of deep learning, the graph machine learning community shifted its attention towards a deeper and practical understanding of message-passing's benefits and limitations. In this position paper, we notice how the fast pace of progress around the topics of oversmoothing and oversquashing, the homophily-heterophily dichotomy, and long-range tasks, came with the consolidation of commonly accepted beliefs and assumptions that are not always true nor easy to distinguish from each other. We argue that this has led to ambiguities around the investigated problems, preventing researchers from focusing on and addressing precise research questions while causing a good amount of misunderstandings. Our contribution wants to make such common beliefs explicit and encourage critical thinking around these topics, supported by simple but noteworthy counterexamples. The hope is to clarify the distinction between the different issues and promote separate but intertwined research directions to address them.
• Abstract（参考訳）: 研究者がディープラーニングのレンズを通してメッセージパッシングパラダイムを再考するルネサンスフェーズの後、グラフ機械学習コミュニティは、メッセージパッシングのメリットと制限についてより深く実践的な理解に向けて注意を向けた。 本論文では, 過密・過密, ホモフィリー・ヘテロフィリー二分法, 長期的課題が, 必ずしも真で, 容易に区別できない, 一般的に受け入れられている信念と仮定の融合によって, いかに早く進行していくかに注目した。 これは、研究者が正確な研究課題に焦点を合わせ、対処するのを防ぐとともに、多くの誤解を招きかねないという、調査上の問題に関する曖昧さにつながったと我々は主張する。 私たちのコントリビューションは、このような共通の信念を明確にし、これらのトピックに関して批判的な思考を奨励したいと思っています。 目的は、異なる課題の区別を明確にし、それに対応するために、別個の研究の方向性を促進することである。

関連論文リスト

• Navigating Shortcuts, Spurious Correlations, and Confounders: From Origins via Detection to Mitigation [21.21130450731374]
  Clever Hans氏の行動、刺激的な相関、あるいは共同設立者は、機械学習とAIにおいて重要な課題を提示している。 この領域の研究は、様々な用語で断片化され、分野全体の進歩を妨げている。 我々は,ショートカットを形式的に定義し,文献で用いられる多種多様な用語をブリッジすることによって,統一された分類を導入する。
  論文  参考訳（メタデータ） (2024-12-06T16:10:13Z)
• SoK: Taming the Triangle -- On the Interplays between Fairness, Interpretability and Privacy in Machine Learning [0.0]
  機械学習技術は、高い意思決定にますます使われています。 学習したモデルが人間によって監査され、理解されることを保証することが不可欠である。 解釈可能性、公正性、プライバシは、責任ある機械学習を開発する上で重要な要件です。
  論文  参考訳（メタデータ） (2023-12-22T08:11:33Z)
• A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [58.107474025048866]
  蓄積とは、以前に獲得した知識の喪失または劣化を指す。 フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
  論文  参考訳（メタデータ） (2023-07-16T16:27:58Z)
• A Survey on Intersectional Fairness in Machine Learning: Notions, Mitigation, and Challenges [11.885166133818819]
  機械学習システムの採用により、公平性への懸念が高まっている。 公平さと緩和の交叉観念に関する分類を提示する。 重要な課題を特定し、今後の方向性に関するガイドラインを研究者に提供する。
  論文  参考訳（メタデータ） (2023-05-11T16:49:22Z)
• Causal Deep Learning [77.49632479298745]
  因果性は、現実世界の問題を解決する方法を変える可能性がある。 しかし因果関係は、実際にテストできない重要な仮定を必要とすることが多い。 我々は、因果性に関する新しい考え方を提案します。
  論文  参考訳（メタデータ） (2023-03-03T19:19:18Z)
• Causal Triplet: An Open Challenge for Intervention-centric Causal Representation Learning [98.78136504619539]
  Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。 この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-12T17:43:38Z)
• Parsing Objects at a Finer Granularity: A Survey [54.72819146263311]
  微細な視覚解析は、農業、リモートセンシング、宇宙技術など、多くの現実世界の応用において重要である。 卓越した研究努力は、異なるパラダイムに従って、これらのきめ細かいサブタスクに取り組む。 我々は,パート関係を学習する新たな視点から,先進的な研究を深く研究する。
  論文  参考訳（メタデータ） (2022-12-28T04:20:10Z)
• Towards Causal Representation Learning [96.110881654479]
  機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。 現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
  論文  参考訳（メタデータ） (2021-02-22T15:26:57Z)
• Feedback in Imitation Learning: Confusion on Causality and Covariate Shift [12.93527098342393]
  我々は,過去の行動に対する条件付けが,学習者の「実行」エラーと性能の劇的な相違につながることを論じる。 我々は、模倣学習アプローチをテストするために使用される既存のベンチマークを分析する。 従来の文献とは驚くほど対照的に,行動的クローン化は優れた結果をもたらすことが判明した。
  論文  参考訳（メタデータ） (2021-02-04T20:18:56Z)

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。