論文の概要: EDN: A Novel Edge-Dependent Noise Model for Graph Data
- arxiv url: http://arxiv.org/abs/2506.11368v1
- Date: Fri, 13 Jun 2025 00:05:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-16 17:50:49.610909
- Title: EDN: A Novel Edge-Dependent Noise Model for Graph Data
- Title（参考訳）: EDN:グラフデータのための新しいエッジ依存ノイズモデル
- Authors: Pintu Kumar, Nandyala Hemachandra,
- Abstract要約: エッジ依存ノイズ(EDN)はノードラベルノイズモデルの制限に対処する。
EDNは、実世界のシナリオでは、ラベルノイズはノード間の接続に影響される可能性があると仮定している。
EDNの2つの変種は、グラフニューラルネットワーク(GNN)と既存のノイズロバストアルゴリズムの両方において、より優れた性能低下をもたらすことを示す。
- 参考スコア（独自算出の注目度）: 0.2812395851874055
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An important structural feature of a graph is its set of edges, as it captures the relationships among the nodes (the graph's topology). Existing node label noise models like Symmetric Label Noise (SLN) and Class Conditional Noise (CCN) disregard this important node relationship in graph data; and the Edge-Dependent Noise (EDN) model addresses this limitation. EDN posits that in real-world scenarios, label noise may be influenced by the connections between nodes. We explore three variants of EDN. A crucial notion that relates nodes and edges in a graph is the degree of a node; we show that in all three variants, the probability of a node's label corruption is dependent on its degree. Additionally, we compare the dependence of these probabilities on node degree across different variants. We performed experiments on popular graph datasets using 5 different GNN architectures and 8 noise robust algorithms for graph data. The results demonstrate that 2 variants of EDN lead to greater performance degradation in both Graph Neural Networks (GNNs) and existing noise-robust algorithms, as compared to traditional node label noise models. We statistically verify this by posing a suitable hypothesis-testing problem. This emphasizes the importance of incorporating EDN when evaluating noise robust algorithms for graphs, to enhance the reliability of graph-based learning in noisy environments.
- Abstract（参考訳）: グラフの重要な構造的特徴はエッジの集合であり、ノード間の関係(グラフのトポロジー)をキャプチャする。
Symmetric Label Noise (SLN) や Class Conditional Noise (CCN) のような既存のノードラベルノイズモデルは、グラフデータにおけるこの重要なノード関係を無視し、エッジ依存ノイズ (EDN) モデルは、この制限に対処する。
EDNは、実世界のシナリオでは、ラベルノイズはノード間の接続に影響される可能性があると仮定している。
EDNの3つの変種を探索する。
グラフ内のノードとエッジを関連付ける重要な概念はノードの次数であり、全ての3つの変種において、ノードのラベルの破損の確率はその次数に依存することを示す。
さらに、これらの確率のノード次数への依存度を異なる変種間で比較する。
5つの異なるGNNアーキテクチャと8つのノイズロバストアルゴリズムを用いたグラフデータセットの実験を行った。
その結果、従来のノードラベルノイズモデルと比較して、2種類のEDNがグラフニューラルネットワーク(GNN)と既存のノイズローバストアルゴリズムの両方で性能を劣化させることを示した。
我々は、適切な仮説テスト問題に反応してこれを統計的に検証する。
これは、ノイズ堅牢なグラフアルゴリズムを評価する際にEDNを組み込むことの重要性を強調し、ノイズの多い環境でのグラフベースの学習の信頼性を高める。
関連論文リスト
- Training Robust Graph Neural Networks by Modeling Noise Dependencies [28.1151026795484]
実世界のアプリケーションでは、グラフのノード機能は様々なソースからのノイズを含むことが多く、性能が著しく低下する。
本稿では,グラフ構造やノードラベルに伝搬するノイズ依存性の連鎖をノードの特徴として生み出す,より現実的なノイズシナリオ,依存性を意識したグラフ上のノイズ(DANG)を紹介する。
本稿では,DANGのデータ生成プロセス(DGP)における変数間の因果関係を変動推論を用いてキャプチャする,新しいロバストなGNN,DA-GNNを提案する。
論文 参考訳（メタデータ） (2025-02-27T01:30:13Z) - Joint Graph Rewiring and Feature Denoising via Spectral Resonance [10.850726111343063]
雑音グラフを結合して再構成するアルゴリズムを提案する。
提案手法は, 実世界のノード分類タスクにおいて, 既存の手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2024-08-13T20:16:11Z) - Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる
本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。
我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文 参考訳（メタデータ） (2024-05-27T17:52:12Z) - DEGNN: Dual Experts Graph Neural Network Handling Both Edge and Node Feature Noise [5.048629544493508]
グラフニューラルネットワーク(GNN)は、グラフデータよりも様々なアプリケーションで顕著な成功を収めている。
近年の研究では、実世界のグラフにはノイズがしばしば含まれており、GNNはグラフ内のノイズに影響を受けやすいことが判明している。
我々は、エッジとノードの特徴の両面においてノイズを効果的に緩和するために設計された新しいGNNモデルであるDECNNを提案する。
論文 参考訳（メタデータ） (2024-04-14T10:04:44Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。
また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文 参考訳（メタデータ） (2022-03-19T14:26:43Z) - Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。
そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文 参考訳（メタデータ） (2021-11-19T08:54:21Z) - Cold Brew: Distilling Graph Node Representations with Incomplete or
Missing Neighborhoods [69.13371028670153]
本稿では,SCS(Strict Cold Start)問題に対する誘導型GNNの有効性を検討するために,FCR(Feature-Contribution ratio)を導入する。
実験により,FCRはグラフデータセットの様々な成分の寄与を阻害し,コールドブリューの優れた性能を示す。
論文 参考訳（メタデータ） (2021-11-08T21:29:25Z) - Alleviating the Inconsistency Problem of Applying Graph Neural Network
to Fraud Detection [78.88163190021798]
不整合問題に対処するために、新しいGNNフレームワークである$mathsfGraphConsis$を導入します。
4つのデータセットの実証分析は、不正検出タスクにおいて不整合の問題が不可欠であることを示唆している。
我々はまた、SOTAモデルを実装したGNNベースの不正検出ツールボックスもリリースした。
論文 参考訳（メタデータ） (2020-05-01T21:43:58Z) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳（メタデータ） (2020-02-10T06:43:38Z)
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。