論文の概要: A Benchmark Dataset for Graph Regression with Homogeneous and Multi-Relational Variants

• arxiv url: http://arxiv.org/abs/2505.23875v1
• Date: Thu, 29 May 2025 12:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.594283
• Title: A Benchmark Dataset for Graph Regression with Homogeneous and Multi-Relational Variants
• Title（参考訳）: 一様および多関係変数を持つグラフ回帰のためのベンチマークデータセット
• Authors: Peter Samoaa, Marcus Vukojevic, Morteza Haghir Chehreghani, Antonio Longa,
• Abstract要約: プログラムグラフから構築した新しいグラフ回帰データセットであるRelSCを紹介する。 各グラフは、対応するプログラムの実行時間コストにラベル付けされる。 RelSCの両変種について,多種多様なグラフニューラルネットワークアーキテクチャの評価を行った。
• 参考スコア（独自算出の注目度）: 3.037387520023979
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-level regression underpins many real-world applications, yet public benchmarks remain heavily skewed toward molecular graphs and citation networks. This limited diversity hinders progress on models that must generalize across both homogeneous and heterogeneous graph structures. We introduce RelSC, a new graph-regression dataset built from program graphs that combine syntactic and semantic information extracted from source code. Each graph is labelled with the execution-time cost of the corresponding program, providing a continuous target variable that differs markedly from those found in existing benchmarks. RelSC is released in two complementary variants. RelSC-H supplies rich node features under a single (homogeneous) edge type, while RelSC-M preserves the original multi-relational structure, connecting nodes through multiple edge types that encode distinct semantic relationships. Together, these variants let researchers probe how representation choice influences model behaviour. We evaluate a diverse set of graph neural network architectures on both variants of RelSC. The results reveal consistent performance differences between the homogeneous and multi-relational settings, emphasising the importance of structural representation. These findings demonstrate RelSC's value as a challenging and versatile benchmark for advancing graph regression methods.
• Abstract（参考訳）: グラフレベルの回帰は多くの現実世界のアプリケーションを支えるが、公開ベンチマークは分子グラフや励起ネットワークに強く依存している。 この制限された多様性は、同質グラフ構造と異質グラフ構造の両方にわたって一般化しなければならないモデルへの進歩を妨げる。 ソースコードから抽出した構文情報と意味情報を組み合わせたプログラムグラフから構築した新しいグラフ回帰データセットであるRelSCを紹介する。 各グラフには対応するプログラムの実行時間コストがラベル付けされており、既存のベンチマークと大きく異なる連続的なターゲット変数を提供する。 RelSCは2つの補完的なバージョンでリリースされている。 RelSC-Hは、単一の(均一な)エッジタイプの下でリッチなノード機能を提供し、RelSC-Mは元のマルチリレーショナル構造を保持し、異なるセマンティックな関係を符号化する複数のエッジタイプを介してノードを接続する。 これらの変種は、表現の選択がモデル行動にどのように影響するかを研究者に調査させる。 RelSCの両変種について,多種多様なグラフニューラルネットワークアーキテクチャの評価を行った。 その結果, 構造表現の重要性に重きを置いて, 均質設定とマルチリレーショナル設定の間に一貫した性能差が認められた。 これらの結果から,グラフ回帰法を推し進める上で,RelSCの価値は困難かつ汎用的なベンチマークであることが示された。

関連論文リスト

• Self-Reinforced Graph Contrastive Learning [7.49025068464945]
  SRGCL(Self-Reinforced Graph Contrastive Learning)を提案する。 多様なグラフレベルの分類タスクの実験では、SRGCLは最先端のGCL法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-05-19T18:45:54Z)
• Multi-Relation Graph-Kernel Strengthen Network for Graph-Level Clustering [10.67474681549171]
  グラフレベルクラスタリングのためのマルチリレーショナルグラフカーネル強化ネットワーク(MGSN)を提案する。 MGSNは、ノードとグラフ間の多様な意味関係を捉えるために、マルチリレーショナルグラフを構築する。 リレーショナル・アウェアな表現改善戦略を設計し、ビュー間で多関係情報を適応的に整列させる。
  論文  参考訳（メタデータ） (2025-04-02T11:17:15Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• HiGPT: Heterogeneous Graph Language Model [27.390123898556805]
  不均一グラフ学習は、異種グラフ内のエンティティ間の複雑な関係や多様な意味を捉えることを目的としている。 異種グラフ学習のための既存のフレームワークは、多種多様な異種グラフデータセットをまたいだ一般化に制限がある。 異種グラフ命令チューニングパラダイムを用いた一般的なグラフモデルであるHiGPTを提案する。
  論文  参考訳（メタデータ） (2024-02-25T08:07:22Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• GraphDCA -- a Framework for Node Distribution Comparison in Real and Synthetic Graphs [72.51835626235368]
  2つのグラフを比較するとき、ノード構造的特徴の分布は、グローバルグラフ統計よりも有益である、と我々は主張する。 本稿では,各ノード表現セットのアライメントに基づいてグラフ間の類似性を評価するフレームワークGraphDCAを提案する。
  論文  参考訳（メタデータ） (2022-02-08T14:19:19Z)
• Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
  2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。 情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。 一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2021-03-17T16:22:24Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。