論文の概要: Pruning Spurious Subgraphs for Graph Out-of-Distribtuion Generalization

• arxiv url: http://arxiv.org/abs/2506.05957v3
• Date: Wed, 11 Jun 2025 12:14:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-12 16:13:48.011489
• Title: Pruning Spurious Subgraphs for Graph Out-of-Distribtuion Generalization
• Title（参考訳）: グラフ・オブ・ディストリビジョン一般化のための純粋部分グラフの抽出
• Authors: Tianjun Yao, Haoxuan Li, Yongqiang Chen, Tongliang Liu, Le Song, Eric Xing, Zhiqiang Shen,
• Abstract要約: PrunEは,OODの一般化性を改善するために急激なエッジを除去する最初のプルーニングベースグラフOOD法である。 PrunE は2つの正規化項を使い、1) グラフサイズ制約は非形式的なスパイラスエッジを除外し、2) スパイラスエッジの発生をさらに抑制するために、$epsilon$-probability アライメントを使用する。
• 参考スコア（独自算出の注目度）: 90.32406785945223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) often encounter significant performance degradation under distribution shifts between training and test data, hindering their applicability in real-world scenarios. Recent studies have proposed various methods to address the out-of-distribution generalization challenge, with many methods in the graph domain focusing on directly identifying an invariant subgraph that is predictive of the target label. However, we argue that identifying the edges from the invariant subgraph directly is challenging and error-prone, especially when some spurious edges exhibit strong correlations with the targets. In this paper, we propose PrunE, the first pruning-based graph OOD method that eliminates spurious edges to improve OOD generalizability. By pruning spurious edges, PrunE retains the invariant subgraph more comprehensively, which is critical for OOD generalization. Specifically, PrunE employs two regularization terms to prune spurious edges: 1) graph size constraint to exclude uninformative spurious edges, and 2) $\epsilon$-probability alignment to further suppress the occurrence of spurious edges. Through theoretical analysis and extensive experiments, we show that PrunE achieves superior OOD performance and outperforms previous state-of-the-art methods significantly. Codes are available at: \href{https://github.com/tianyao-aka/PrunE-GraphOOD}{https://github.com/tianyao-aka/PrunE-GraphOOD}.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、トレーニングデータとテストデータの間の分散シフトによって大幅にパフォーマンスが低下することが多く、現実のシナリオにおけるそれらの適用性を妨げている。 近年の研究では、分布外一般化問題に対処する様々な手法が提案されており、グラフ領域の多くの手法は、ターゲットラベルの予測可能な不変部分グラフを直接識別することに焦点を当てている。 しかし、不変分グラフから直接エッジを識別することは困難であり、特にいくつかの急激なエッジがターゲットと強い相関関係を示す場合、エラーが発生しやすいと論じる。 本稿では,PrunE法を提案する。PrunE法は,ポーラスエッジを除去し,OODの一般化性を向上する最初のプルーニンググラフOOD法である。 急激なエッジを刈り取ることにより、PrunEは不変部分グラフをより包括的に保持し、OOD一般化にとって重要なものである。 具体的には、PrunEは2つの正規化項を使用して、スパイラルエッジをプルーする。 1)不定形スプリアスエッジを除外するグラフサイズ制約, 2) スパイラスエッジの発生をさらに抑制するために, $\epsilon$-probability アライメントを行う。 理論的解析と広範囲な実験により、PrunEは優れたOOD性能を達成し、従来の最先端手法を著しく上回ることを示す。 コードは以下の通り。 \href{https://github.com/tianyao-aka/PrunE-GraphOOD}{https://github.com/tianyao-aka/PrunE-GraphOOD}。

関連論文リスト

• Why Does Dropping Edges Usually Outperform Adding Edges in Graph Contrastive Learning? [54.44813218411879]
  グラフがネットワークにどのように適合するかを定量化するために、新しいメトリック、すなわちエラー通過率(EPR)を導入する。 理論的な結論とポジティブ・インセンティブ雑音のアイデアに触発されて、我々は新しいGCLアルゴリズム、エラー・パッシングに基づくグラフコントラスト学習(EPAGCL)を提案する。 EPRから得られる重みに基づいてエッジの追加とドロップによりビューを生成する。
  論文  参考訳（メタデータ） (2024-12-11T06:31:06Z)
• Dissecting the Failure of Invariant Learning on Graphs [36.11431280689549]
  本研究では、2つの顕著な不変学習法の性能を理論的に判別する構造因果モデル(SCM)を開発した。 我々は,同じクラスに設定されたクロス環境表現をアライメントすることで,突発的特徴を明示的に排除する,クロス環境内アライメント(CIA)を提案する。 さらに、隣接ラベルの分布を利用してノード表現を選択的に整列させるCIA-LRA(Localized Reweighting Alignment)を提案する。
  論文  参考訳（メタデータ） (2024-11-05T06:36:48Z)
• Subgraph Aggregation for Out-of-Distribution Generalization on Graphs [29.884717215947745]
  SubGraph Aggregation (SuGAr)は、グラフ上のOOD一般化に不可欠な、多様なサブグラフの集合を学ぶように設計されている。 合成と実世界の両方のデータセットの実験では、SuGArは最先端の手法より優れており、グラフ上のOOD一般化を最大24%改善している。
  論文  参考訳（メタデータ） (2024-10-29T16:54:37Z)
• ADEdgeDrop: Adversarial Edge Dropping for Robust Graph Neural Networks [53.41164429486268]
  グラフニューラルネットワーク(GNN)は、近隣ノードからグラフ構造化情報を収集する強力な能力を示した。 GNNの性能は、ノイズや冗長なグラフデータによって引き起こされる一般化の貧弱さと脆弱な堅牢性によって制限される。 本稿では,エッジの除去を誘導する対向エッジ予測器を利用する新しい対向エッジドロップ法 (ADEdgeDrop) を提案する。
  論文  参考訳（メタデータ） (2024-03-14T08:31:39Z)

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。