論文の概要: SamGoG: A Sampling-Based Graph-of-Graphs Framework for Imbalanced Graph Classification

• arxiv url: http://arxiv.org/abs/2507.13741v1
• Date: Fri, 18 Jul 2025 08:41:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.229823
• Title: SamGoG: A Sampling-Based Graph-of-Graphs Framework for Imbalanced Graph Classification
• Title（参考訳）: SamGoG:不均衡グラフ分類のためのサンプリングベースのグラフ・オブ・グラフフレームワーク
• Authors: Shangyou Wang, Zezhong Ding, Xike Xie,
• Abstract要約: SamGoGは、サンプリングベースのグラフ・オブ・グラフ(GoG)学習フレームワークで、クラスとグラフサイズの不均衡を効果的に軽減する。 ベンチマークデータセットの実験では、SamGoGは最先端のパフォーマンスを15.66%の精度で達成している。
• 参考スコア（独自算出の注目度）: 5.644913477933405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have shown remarkable success in graph classification tasks by capturing both structural and feature-based representations. However, real-world graphs often exhibit two critical forms of imbalance: class imbalance and graph size imbalance. These imbalances can bias the learning process and degrade model performance. Existing methods typically address only one type of imbalance or incur high computational costs. In this work, we propose SamGoG, a sampling-based Graph-of-Graphs (GoG) learning framework that effectively mitigates both class and graph size imbalance. SamGoG constructs multiple GoGs through an efficient importance-based sampling mechanism and trains on them sequentially. This sampling mechanism incorporates the learnable pairwise similarity and adaptive GoG node degree to enhance edge homophily, thus improving downstream model quality. SamGoG can seamlessly integrate with various downstream GNNs, enabling their efficient adaptation for graph classification tasks. Extensive experiments on benchmark datasets demonstrate that SamGoG achieves state-of-the-art performance with up to a 15.66% accuracy improvement with 6.7$\times$ training acceleration.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、構造的および特徴的表現の両方をキャプチャすることで、グラフ分類タスクにおいて顕著な成功を収めている。 しかし、実世界のグラフはしばしば、クラス不均衡とグラフサイズ不均衡の2つの重要な形の不均衡を示す。 これらの不均衡は学習プロセスに偏りを生じさせ、モデルのパフォーマンスを低下させる。 既存の手法は通常、1種類の不均衡や高い計算コストに対処する。 本研究では,SamGoGを提案する。SamGoGは,グラフサイズ不均衡を効果的に軽減する,サンプリングベースのグラフ・オブ・グラフ学習フレームワークである。 SamGoGは効率的な重要度に基づくサンプリング機構を通じて複数のGoGを構築し、それらを順次訓練する。 このサンプリング機構は、学習可能なペアワイズ類似度と適応的なGoGノード度を組み込んでエッジホモフィリーを高め、下流モデルの品質を向上させる。 SamGoGは様々な下流GNNとシームレスに統合することができ、グラフ分類タスクに効率的に適応することができる。 ベンチマークデータセットに関する大規模な実験は、SamGoGが6.7$\times$トレーニングアクセラレーションで15.66%の精度で最先端のパフォーマンスを達成することを示した。

関連論文リスト

• Attribute-Enhanced Similarity Ranking for Sparse Link Prediction [6.774952925054741]
  グラフニューラルネットワーク(GNN)がリンク予測の主要なフレームワークとなっている。 本稿では,リンク予測におけるGNNの性能が,より現実的な不均衡設定に反映されないことを示す。 実験により,類似性に基づくリンク予測手法であるGelatoが,既存のGNNベースの代替よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-29T21:22:35Z)
• Scale Invariance of Graph Neural Networks [4.002604752467421]
  グラフニューラルネットワーク(GNN)における2つの基本的な課題に対処する。 本研究では,4つの同好性および2つの異好性ベンチマークデータセットにまたがって,最先端のパフォーマンスを実現する統一ネットワークアーキテクチャであるScaleNetを提案する。 ダイグラフに対する別の一般的なGNNアプローチとして、Hermitian Laplacian法とGraphSAGEと入射正規化の等価性を示す。
  論文  参考訳（メタデータ） (2024-11-28T22:06:06Z)
• GSINA: Improving Subgraph Extraction for Graph Invariant Learning via Graph Sinkhorn Attention [52.67633391931959]
  グラフ不変学習(GIL)は,グラフデータとそのラベル間の不変性を発見するための効果的な手法である。 グラフシンクホーン注意機構(GSINA)を提案する。 GSINAは、制御可能な空間性と柔らかさを持つ有意義で微分可能な不変部分グラフを得ることができる。
  論文  参考訳（メタデータ） (2024-02-11T12:57:16Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
  TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。 TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
  論文  参考訳（メタデータ） (2022-01-14T09:04:46Z)
• Imbalanced Graph Classification via Graph-of-Graph Neural Networks [16.589373163769853]
  グラフニューラルネットワーク(GNN)は、グラフの分類ラベルを識別するグラフ表現の学習において、前例のない成功を収めている。 本稿では,グラフ不均衡問題を軽減する新しいフレームワークであるグラフ・オブ・グラフニューラルネットワーク(G$2$GNN)を提案する。 提案したG$2$GNNは,F1-macroとF1-microのスコアにおいて,多くのベースラインを約5%上回る性能を示した。
  論文  参考訳（メタデータ） (2021-12-01T02:25:47Z)
• Is Homophily a Necessity for Graph Neural Networks? [50.959340355849896]
  グラフニューラルネットワーク(GNN)は、多数のグラフベースの機械学習タスクに適した学習表現において大きな進歩を見せている。 GNNはホモフィリーな仮定によりうまく機能し、異種ノードが接続する異種グラフへの一般化に失敗したと広く信じられている。 最近の研究は、このような不均一な制限を克服する新しいアーキテクチャを設計し、ベースライン性能の低さと、この概念の証拠として、いくつかの異種グラフベンチマークデータセットに対するアーキテクチャの改善を引用している。 我々の実験では、標準グラフ畳み込みネットワーク(GCN)が実際よりも優れた性能を実現できることを実証的に見出した。
  論文  参考訳（メタデータ） (2021-06-11T02:44:00Z)
• Meta-path Free Semi-supervised Learning for Heterogeneous Networks [16.641434334366227]
  グラフニューラルネットワーク(GNN)はグラフの表現学習に広く使われており、ノード分類などのタスクにおいて優れたパフォーマンスを実現している。 本稿では,メタパスを除く異種グラフに対して,単純かつ効率的なグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-10-18T06:01:58Z)

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。