Fugu-MT 論文翻訳(概要): Feature Construction Using Network Control Theory and Rank Encoding for Graph Machine Learning

論文の概要: Feature Construction Using Network Control Theory and Rank Encoding for Graph Machine Learning

arxiv url: http://arxiv.org/abs/2507.15195v1
Date: Mon, 21 Jul 2025 02:45:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-22 20:51:32.234443
Title: Feature Construction Using Network Control Theory and Rank Encoding for Graph Machine Learning
Title（参考訳）: グラフ機械学習におけるネットワーク制御理論とランクエンコーディングを用いた特徴構成
Authors: Anwar Said, Yifan Wei, Ubaid Ullah Ahmad, Mudassir Shabbir, Waseem Abbas, Xenofon Koutsoukos,
Abstract要約: グラフにおける平均制御可能性の概念と、新しいランクエンコーディング手法を用いて、ソーシャルネットワーク分類タスクにおけるグラフニューラルネットワーク(GNN)の性能を向上させる。その結果,機能空間に平均制御性を導入することで,GNNの性能が大幅に向上することが示された。
参考スコア（独自算出の注目度）: 3.0111486905537777
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this article, we utilize the concept of average controllability in graphs, along with a novel rank encoding method, to enhance the performance of Graph Neural Networks (GNNs) in social network classification tasks. GNNs have proven highly effective in various network-based learning applications and require some form of node features to function. However, their performance is heavily influenced by the expressiveness of these features. In social networks, node features are often unavailable due to privacy constraints or the absence of inherent attributes, making it challenging for GNNs to achieve optimal performance. To address this limitation, we propose two strategies for constructing expressive node features. First, we introduce average controllability along with other centrality metrics (denoted as NCT-EFA) as node-level metrics that capture critical aspects of network topology. Building on this, we develop a rank encoding method that transforms average controllability or any other graph-theoretic metric into a fixed-dimensional feature space, thereby improving feature representation. We conduct extensive numerical evaluations using six benchmark GNN models across four social network datasets to compare different node feature construction methods. Our results demonstrate that incorporating average controllability into the feature space significantly improves GNN performance. Moreover, the proposed rank encoding method outperforms traditional one-hot degree encoding, improving the ROC AUC from 68.7% to 73.9% using GraphSAGE on the GitHub Stargazers dataset, underscoring its effectiveness in generating expressive and efficient node representations.
Abstract（参考訳）: 本稿では、グラフにおける平均制御可能性の概念と、新しいランクエンコーディング手法を用いて、ソーシャルネットワーク分類タスクにおけるグラフニューラルネットワーク(GNN)の性能を向上させる。 GNNは様々なネットワークベースの学習アプリケーションで非常に効果的であることが証明されており、機能するにはある種のノード機能が必要である。しかし、その演技はこれらの特徴の表現力に大きく影響されている。ソーシャルネットワークでは、プライバシー上の制約や固有の属性がないため、ノード機能は利用できないことが多いため、GNNが最適なパフォーマンスを達成するのは難しい。この制限に対処するために,表現的ノード機能を構築するための2つの戦略を提案する。まず,ネットワークトポロジの重要な側面を捉えるノードレベルの指標として,他の集中度指標(NCT-EFA)とともに平均制御可能性を導入する。これに基づいて、平均可制御性や他のグラフ理論の計量を固定次元の特徴空間に変換するランクエンコーディング法を開発し、特徴表現を改善する。我々は,4つのソーシャルネットワークデータセットを対象とした6つのベンチマークGNNモデルを用いて広範囲な数値評価を行い,異なるノード特徴構成法の比較を行った。その結果,機能空間に平均制御性を導入することで,GNNの性能が大幅に向上することが示された。さらに、提案手法は従来の1ホットエンコーディングよりも優れており、GitHub Stargazersデータセット上でGraphSAGEを使用してROC AUCを68.7%から73.9%に改善し、表現的かつ効率的なノード表現の生成におけるその効果を裏付けている。

関連論文リスト

Graph Neural Networks Powered by Encoder Embedding for Improved Node Learning [17.31465642587528]
グラフニューラルネットワーク(GNN)は、幅広いノードレベルのグラフ学習タスクのための強力なフレームワークとして登場した。本稿では,1ホットグラフエンコーダ埋め込み (GEE) という統計的手法を用いて,高品質な初期ノード特徴を生成する。本研究では,教師なし環境と教師なし環境の両方にまたがる広範囲なシミュレーションと実世界の実験を通して,その効果を実証する。
論文参考訳（メタデータ） (2025-07-15T21:01:54Z)
Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。 GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
論文参考訳（メタデータ） (2024-11-19T08:32:14Z)
Conditional Local Feature Encoding for Graph Neural Networks [14.983942698240293]
グラフニューラルネットワーク(GNN)は,グラフベースのデータから学ぶ上で大きな成功を収めている。現在のGNNのキーとなるメカニズムはメッセージパッシングであり、ノードの機能は、その近隣から渡される情報に基づいて更新される。本研究では,局所的特徴符号化(CLFE)を提案する。
論文参考訳（メタデータ） (2024-05-08T01:51:19Z)
Improving Graph Machine Learning Performance Through Feature Augmentation Based on Network Control Theory [3.2505793054002963]
グラフニューラルネットワーク(GNN)は、様々なネットワークベースの学習タスクにおいて、例外的な有用性を示している。多くの現実世界のシステムはノードレベルの情報を欠いている可能性があり、GNNにとって課題となっている。我々は,NCTに基づく拡張機能拡張(NCT-EFA)という新たなアプローチを導入し,GNNの性能向上のための機能拡張パイプラインに,他の集中度指標とともに平均制御性を同化させる。
論文参考訳（メタデータ） (2024-05-03T19:11:54Z)
Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文参考訳（メタデータ） (2023-12-16T14:09:23Z)
Enhanced Graph Neural Networks with Ego-Centric Spectral Subgraph Embeddings Augmentation [11.841882902141696]
Ego-centric Spectral subGraph Embedding Augmentation (ESGEA) と呼ばれる新しいアプローチを提案する。 ESGEAは、特に情報が不足しているシナリオにおいて、ノード機能の強化と設計を目的としている。ノード属性が利用できないソーシャルネットワークグラフ分類タスクにおいて,提案手法の評価を行った。
論文参考訳（メタデータ） (2023-10-10T14:57:29Z)
Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文参考訳（メタデータ） (2023-07-22T04:52:27Z)
Identity-aware Graph Neural Networks [63.6952975763946]
グラフニューラルネットワーク(ID-GNN)を1-WLテストよりも表現力の高いメッセージクラスを開発しています。 ID-GNNは、メッセージパッシング中にノードのIDを誘導的に考慮することにより、既存のGNNアーキテクチャを拡張します。既存のGNNをID-GNNに変換すると、挑戦ノード、エッジ、グラフプロパティ予測タスクの平均40%の精度が向上することを示す。
論文参考訳（メタデータ） (2021-01-25T18:59:01Z)
Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文参考訳（メタデータ） (2020-06-26T17:03:06Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)
Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。