論文の概要: Understanding Generalization in Node and Link Prediction

• arxiv url: http://arxiv.org/abs/2507.00927v1
• Date: Tue, 01 Jul 2025 16:34:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.733487
• Title: Understanding Generalization in Node and Link Prediction
• Title（参考訳）: ノードとリンク予測における一般化の理解
• Authors: Antonis Vasileiou, Timo Stoll, Christopher Morris,
• Abstract要約: 帰納的および帰納的ノードにおけるMPNNの一般化特性とリンク予測設定を統一的に解析するフレームワークを提案する。 提案手法は, 帰納的あるいは帰納的条件下での任意の分類タスクに対して, グラフを超えて適用することができる。
• 参考スコア（独自算出の注目度）: 4.489098782459289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Using message-passing graph neural networks (MPNNs) for node and link prediction is crucial in various scientific and industrial domains, which has led to the development of diverse MPNN architectures. Besides working well in practical settings, their ability to generalize beyond the training set remains poorly understood. While some studies have explored MPNNs' generalization in graph-level prediction tasks, much less attention has been given to node- and link-level predictions. Existing works often rely on unrealistic i.i.d.\@ assumptions, overlooking possible correlations between nodes or links, and assuming fixed aggregation and impractical loss functions while neglecting the influence of graph structure. In this work, we introduce a unified framework to analyze the generalization properties of MPNNs in inductive and transductive node and link prediction settings, incorporating diverse architectural parameters and loss functions and quantifying the influence of graph structure. Additionally, our proposed generalization framework can be applied beyond graphs to any classification task under the inductive or transductive setting. Our empirical study supports our theoretical insights, deepening our understanding of MPNNs' generalization capabilities in these tasks.
• Abstract（参考訳）: ノードとリンクの予測にメッセージパッシンググラフニューラルネットワーク(MPNN)を使用することは、さまざまな科学分野や産業分野において重要であり、様々なMPNNアーキテクチャの開発につながっている。 実践的な環境での作業に加えて、トレーニングセットを超えて一般化する能力は、まだ理解されていない。 グラフレベルの予測タスクにおけるMPNNの一般化を探求する研究もあるが、ノードレベルの予測やリンクレベルの予測にはあまり注目されていない。 既存の研究はしばしば非現実的 i.i.d.\@ の仮定に依存し、ノードやリンク間の相関性を見極め、グラフ構造の影響を無視しながら固定集約と非現実的損失関数を仮定する。 本研究では,MPNNの帰納的および帰納的ノードおよびリンク予測設定における一般化特性を解析し,多種多様なアーキテクチャパラメータと損失関数を取り入れ,グラフ構造の影響を定量化する統一的なフレームワークを提案する。 さらに,本提案手法は,帰納的あるいは帰納的条件下での任意の分類タスクに対して,グラフを超えて適用することができる。 我々の実証的研究は、これらのタスクにおけるMPNNの一般化能力の理解を深め、我々の理論的洞察を支持します。

関連論文リスト

• Demystifying MPNNs: Message Passing as Merely Efficient Matrix Multiplication [4.002604752467421]
  グラフニューラルネットワーク(GNN)は目覚ましい成功を収めており、その設計は理論的な理解よりも経験的な直観に大きく依存している。 本稿では,3つの基本的側面からGNN行動の包括的解析を行う。 過度なスムースではなく、勾配に関連した問題がスパースグラフの性能に著しく影響を及ぼすことを示した。 また,正規化方式の違いがモデル性能にどのように影響するか,GNNが一様ノード特徴を持つ予測を行うかについても分析する。
  論文  参考訳（メタデータ） (2025-01-31T19:48:03Z)
• Covered Forest: Fine-grained generalization analysis of graph neural networks [14.729609626353112]
  我々は,MPNNの一般化能力に対するグラフ構造,集約,損失関数の影響を評価するために,グラフ類似性理論の最近の進歩を拡張した。 我々の実証研究は、MPNNの一般化特性の理解を深め、我々の理論的洞察を支持している。
  論文  参考訳（メタデータ） (2024-12-10T01:45:59Z)
• A Manifold Perspective on the Statistical Generalization of Graph Neural Networks [84.01980526069075]
  我々は、スペクトル領域の多様体からサンプリングされたグラフ上のGNNの統計的一般化理論を確立するために多様体の視点を取る。 我々はGNNの一般化境界が対数スケールのグラフのサイズとともに線形に減少し、フィルタ関数のスペクトル連続定数とともに線形的に増加することを証明した。
  論文  参考訳（メタデータ） (2024-06-07T19:25:02Z)
• On the Topology Awareness and Generalization Performance of Graph Neural Networks [6.598758004828656]
  我々は,GNNのトポロジ的認識をいかなるトポロジ的特徴においても特徴付けるための包括的枠組みを導入する。 本研究は,各ベンチマークデータセットの経路距離を最短とする内在グラフを用いたケーススタディである。
  論文  参考訳（メタデータ） (2024-03-07T13:33:30Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)

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。