論文の概要: Spectral Manifold Harmonization for Graph Imbalanced Regression

• arxiv url: http://arxiv.org/abs/2507.01132v1
• Date: Tue, 01 Jul 2025 18:48:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.863245
• Title: Spectral Manifold Harmonization for Graph Imbalanced Regression
• Title（参考訳）: グラフ不均衡回帰のためのスペクトルマニフォールド調和
• Authors: Brenda Nogueira, Gabe Gomes, Meng Jiang, Nitesh V. Chawla, Nuno Moniz,
• Abstract要約: 不均衡回帰において、ドメインの嗜好は最も科学的に価値のあるケースを表す特定の目標値の範囲に焦点を当てる。 本稿では、この不均衡な回帰問題にグラフ構造データで対処するための新しいアプローチとして、スペクトルマニフォールド調和法(SMH)を提案する。 化学および薬物発見ベンチマークデータセットにおけるSMHの可能性を示す実験結果が得られた。
• 参考スコア（独自算出の注目度）: 30.376583325991454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-structured data is ubiquitous in scientific domains, where models often face imbalanced learning settings. In imbalanced regression, domain preferences focus on specific target value ranges representing the most scientifically valuable cases; we observe a significant lack of research. In this paper, we present Spectral Manifold Harmonization (SMH), a novel approach for addressing this imbalanced regression challenge on graph-structured data by generating synthetic graph samples that preserve topological properties while focusing on often underrepresented target distribution regions. Conventional methods fail in this context because they either ignore graph topology in case generation or do not target specific domain ranges, resulting in models biased toward average target values. Experimental results demonstrate the potential of SMH on chemistry and drug discovery benchmark datasets, showing consistent improvements in predictive performance for target domain ranges.
• Abstract（参考訳）: グラフ構造化データは、モデルがしばしば不均衡な学習設定に直面している科学領域においてユビキタスである。 不均衡回帰において、ドメインの嗜好は、最も科学的に価値のあるケースを表す特定の目標値範囲に焦点を合わせ、研究の著しい欠如を観察する。 本稿では,この不均衡な回帰問題に対処する新しい手法であるスペクトルマニフォールド調和法(SMH)を提案する。 従来の手法では、ケース生成時にグラフトポロジを無視したり、特定のドメイン範囲を対象としないため、平均的なターゲット値に偏ったモデルになるため、この文脈で失敗する。 実験の結果,化学および薬物発見ベンチマークデータセットにおけるSMHの可能性が示され,目標領域範囲の予測性能が一貫した改善を示した。

関連論文リスト

• Distribution Learning for Molecular Regression [10.96062816455682]
  Distributional Mixture of Experts (DMoE) はモデルに依存しない、データに依存しない回帰法である。 分子特性予測データセットを用いたDMoEの性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-30T00:21:51Z)
• Spectral Clustering for Directed Graphs via Likelihood Estimation on Stochastic Block Models [22.421702511126373]
  ブロックモデルに対する統計的推測を利用して、有向グラフに対するスペクトルクラスタリングアルゴリズムの開発を導く。 我々は、スペクトル緩和の誤クラスタリング誤差に関する理論上界を確立し、この緩和に基づいて、有向グラフに対する新しい自己適応スペクトルクラスタリング法を導入する。
  論文  参考訳（メタデータ） (2024-03-28T15:47:13Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Data Augmentation for Supervised Graph Outlier Detection via Latent Diffusion Models [39.33024157496401]
  本稿では,教師付きグラフ外乱検出におけるクラス不均衡を緩和する新しいデータ拡張であるGODMを紹介する。 複数のデータセットに対して行われた大規模な実験は、GODMの有効性と効率を裏付けるものである。 GODMをプラグイン・アンド・プレイパッケージにカプセル化し,PyPIでリリースする。
  論文  参考訳（メタデータ） (2023-12-29T16:50:40Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Identification of Latent Variables From Graphical Model Residuals [0.0]
  本稿では,推定モデルの残差から遅延空間のプロキシを反復的に導出することにより,DAGを推定する際に潜伏空間を制御する新しい手法を提案する。 結果の予測の改善は本質的にカプセル化されており,既成モデルと比較して一定の限界を超えないことを示す。
  論文  参考訳（メタデータ） (2021-01-07T02:28:49Z)

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。