論文の概要: From Features to Structure: Task-Aware Graph Construction for Relational and Tabular Learning with GNNs

• arxiv url: http://arxiv.org/abs/2506.02243v1
• Date: Mon, 02 Jun 2025 20:42:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.076538
• Title: From Features to Structure: Task-Aware Graph Construction for Relational and Tabular Learning with GNNs
• Title（参考訳）: 特徴から構造へ:GNNを用いた関係学習と語彙学習のためのタスク対応グラフ構築
• Authors: Tamara Cucumides, Floris Geerts,
• Abstract要約: タスク対応グラフ拡張のための統合フレームワークであるauGraphを紹介する。 auGraphは、属性をノードに選択的にプロモートすることで、ベースグラフ構造を強化する。 タスク関連構造信号を注入しながら、元のデータスキーマを保存する。
• 参考スコア（独自算出の注目度）: 6.0757501646966965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tabular and relational data remain the most ubiquitous formats in real-world machine learning applications, spanning domains from finance to healthcare. Although both formats offer structured representations, they pose distinct challenges for modern deep learning methods, which typically assume flat, feature-aligned inputs. Graph Neural Networks (GNNs) have emerged as a promising solution by capturing structural dependencies within and between tables. However, existing GNN-based approaches often rely on rigid, schema-derived graphs -- such as those based on primary-foreign key links -- thereby underutilizing rich, predictive signals in non key attributes. In this work, we introduce auGraph, a unified framework for task-aware graph augmentation that applies to both tabular and relational data. auGraph enhances base graph structures by selectively promoting attributes into nodes, guided by scoring functions that quantify their relevance to the downstream prediction task. This augmentation preserves the original data schema while injecting task-relevant structural signal. Empirically, auGraph outperforms schema-based and heuristic graph construction methods by producing graphs that better support learning for relational and tabular prediction tasks.
• Abstract（参考訳）: タブラリデータとリレーショナルデータは、ファイナンスからヘルスケアに至るまで、現実世界の機械学習アプリケーションにおいて最もユビキタスなフォーマットのままだ。 どちらの形式も構造化された表現を提供するが、現代のディープラーニング手法では、フラットで特徴に整合した入力を前提とする場合が一般的である。 グラフニューラルネットワーク(GNN)は、テーブル内およびテーブル間の構造的依存関係をキャプチャすることで、有望なソリューションとして登場した。 しかし、既存のGNNベースのアプローチは、しばしば厳密でスキーマ由来のグラフ(例えばプライマリ外部キーリンクに基づくもの)に依存しているため、非キー属性のリッチで予測的な信号は利用できない。 本研究では,タスク対応グラフ拡張のための統合フレームワークであるauGraphを紹介する。 auGraphは、属性をノードに選択的にプロモートすることで、ベースグラフ構造を強化する。 この拡張は、タスク関連構造信号を注入しながら、元のデータスキーマを保存する。 経験的に、auGraphはスキーマベースおよびヒューリスティックグラフ構築方法より優れており、リレーショナルおよび表型予測タスクの学習をより良くサポートするグラフを生成する。

関連論文リスト

• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
  タスクツリーを用いたグラフのクロスタスク一般化のための新しい手法を提案する。 本稿では,グラフニューラルネットワーク(GNN)を多種多様なタスクツリー上で事前学習することにより,伝達可能な知識を誘導することを示す。 これにより、最小限の微調整で下流タスクに効率的に適応できる。
  論文  参考訳（メタデータ） (2024-12-21T02:07:43Z)
• RAGraph: A General Retrieval-Augmented Graph Learning Framework [35.25522856244149]
  我々は、RAGraph(General Retrieval-Augmented Graph Learning)と呼ばれる新しいフレームワークを紹介する。 RAGraphは、一般的なグラフ基盤モデルに外部グラフデータを導入し、目に見えないシナリオにおけるモデルの一般化を改善する。 推論中、RAGraphは下流タスクにおける重要な類似性に基づいて、似たようなおもちゃのグラフを順応的に検索する。
  論文  参考訳（メタデータ） (2024-10-31T12:05:21Z)
• GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• GraphGPT: Graph Instruction Tuning for Large Language Models [27.036935149004726]
  グラフニューラルネットワーク(GNN)は、グラフ構造を理解するために進化してきた。 堅牢性を高めるために、自己教師付き学習(SSL)はデータ拡張の重要なツールとなっている。 本研究は,ゼロショット学習環境におけるグラフモデルの一般化を推し進めることによって,この問題に対処する。
  論文  参考訳（メタデータ） (2023-10-19T06:17:46Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Learning Graph Structure With A Finite-State Automaton Layer [31.028101360041227]
  本研究は,本質的なグラフ構造から抽象的関係を導出する学習の課題について考察する。 この問題を緩和して有限状態オートマトンポリシーを学習することで、これらの関係をエンドツーエンドで学習する方法を示す。 我々は,このレイヤがグリッドワールドグラフのショートカットを見つけ,Pythonプログラム上で単純な静的解析を再現できることを実証した。
  論文  参考訳（メタデータ） (2020-07-09T17:01:34Z)

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。