論文の概要: GRAIL: A Benchmark for GRaph ActIve Learning in Dynamic Sensing Environments

• arxiv url: http://arxiv.org/abs/2506.10120v1
• Date: Wed, 11 Jun 2025 19:04:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.405245
• Title: GRAIL: A Benchmark for GRaph ActIve Learning in Dynamic Sensing Environments
• Title（参考訳）: GRAIL:動的センシング環境におけるGRaph ActIve学習のベンチマーク
• Authors: Maryam Khalid, Akane Sano,
• Abstract要約: グラフベースのアクティブラーニング(AL)はグラフの構造を利用してラベルクエリを効率的に優先順位付けする。 GRAILは、動的で現実世界の環境でグラフAL戦略を評価するために設計されたベンチマークフレームワークである。
• 参考スコア（独自算出の注目度）: 1.9918773938716672
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graph-based Active Learning (AL) leverages the structure of graphs to efficiently prioritize label queries, reducing labeling costs and user burden in applications like health monitoring, human behavior analysis, and sensor networks. By identifying strategically positioned nodes, graph AL minimizes data collection demands while maintaining model performance, making it a valuable tool for dynamic environments. Despite its potential, existing graph AL methods are often evaluated on static graph datasets and primarily focus on prediction accuracy, neglecting user-centric considerations such as sampling diversity, query fairness, and adaptability to dynamic settings. To bridge this gap, we introduce GRAIL, a novel benchmarking framework designed to evaluate graph AL strategies in dynamic, real-world environments. GRAIL introduces novel metrics to assess sustained effectiveness, diversity, and user burden, enabling a comprehensive evaluation of AL methods under varying conditions. Extensive experiments on datasets featuring dynamic, real-life human sensor data reveal trade-offs between prediction performance and user burden, highlighting limitations in existing AL strategies. GRAIL demonstrates the importance of balancing node importance, query diversity, and network topology, providing an evaluation mechanism for graph AL solutions in dynamic environments.
• Abstract（参考訳）: グラフベースのアクティブラーニング(AL)は、グラフの構造を活用してラベルクエリを効率よく優先順位付けし、健康モニタリング、人間の行動分析、センサーネットワークなどのアプリケーションにおけるラベル付けコストとユーザの負担を軽減する。 戦略的に位置付けられたノードを特定することで、グラフALはモデルパフォーマンスを維持しながらデータ収集の要求を最小限に抑え、動的環境にとって価値のあるツールとなる。 その可能性にもかかわらず、既存のグラフALメソッドはしばしば静的グラフデータセットで評価され、主に予測精度に注目し、サンプリングの多様性、クエリの公正性、動的設定への適応性といったユーザー中心の考慮を無視している。 このギャップを埋めるため,動的な実環境下でのグラフAL戦略を評価するための新しいベンチマークフレームワークであるGRAILを紹介した。 GRAILは、持続的有効性、多様性、ユーザの負担を評価するための新しいメトリクスを導入し、様々な条件下でALメソッドの包括的な評価を可能にする。 ダイナミックで実生活の人間のセンサーデータを特徴とするデータセットに関する大規模な実験は、予測性能とユーザの負担との間のトレードオフを明らかにし、既存のAL戦略の制限を強調している。 GRAILは、ノードの重要性、クエリの多様性、ネットワークトポロジのバランスの重要性を示し、動的環境におけるグラフALソリューションの評価メカニズムを提供する。

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)
• G-OSR: A Comprehensive Benchmark for Graph Open-Set Recognition [54.45837774534411]
  ノードレベルとグラフレベルの両方でグラフオープンセット認識(GOSR)手法を評価するベンチマークである textbfG-OSR を導入する。 結果は、現在のGOSR手法の一般化可能性と限界に関する重要な洞察を与える。
  論文  参考訳（メタデータ） (2025-03-01T13:02:47Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Mitigating Graph Covariate Shift via Score-based Out-of-distribution Augmentation [16.59129444793973]
  トレーニングとテストデータセット間の分散シフトは、グラフ学習におけるモデルパフォーマンスを著しく損なう。 本稿では,全体のグラフパターンの妥当性と安定性を保ちつつ,未知の環境特徴を合成するスコアベースのグラフ生成戦略を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-23T02:09:02Z)
• Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation [24.20087360102464]
  動的グラフアンラーニングを初めて研究し、DGNNアンラーニングを実装するための効率的で効率的で汎用的で後処理手法を提案する。 提案手法は,将来的な未学習要求を処理できる可能性があり,性能が大幅に向上する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward Comprehensive Benchmarks [60.82579717007963]
  本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-24T01:47:56Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Graph Neural Networks for Multi-Robot Active Information Acquisition [15.900385823366117]
  基礎となるグラフを通して通信する移動ロボットのチームは、興味のある現象を表す隠れた状態を推定する。 既存のアプローチはスケーラブルではないか、動的現象に対処できないか、あるいは通信グラフの変化に対して堅牢でないかのどちらかです。 本稿では,グラフ表現上に情報を集約し,逐次決定を分散的に行う情報対応グラフブロックネットワーク(I-GBNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-24T21:45:06Z)
• Active Learning on Attributed Graphs via Graph Cognizant Logistic Regression and Preemptive Query Generation [37.742218733235084]
  本稿では,属性グラフにおけるノード分類処理のための新しいグラフベース能動学習アルゴリズムを提案する。 提案アルゴリズムは,線形化グラフ畳み込みニューラルネットワーク(GCN)と等価なグラフ認識ロジスティック回帰を用いて,予測フェーズの誤差低減を最大化する。 5つの公開ベンチマークデータセットで実験を行い、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-07-09T18:00:53Z)

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。