論文の概要: An Effective Approach for Node Classification in Textual Graphs

• arxiv url: http://arxiv.org/abs/2508.05836v1
• Date: Thu, 07 Aug 2025 20:24:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.003402
• Title: An Effective Approach for Node Classification in Textual Graphs
• Title（参考訳）: テキストグラフにおけるノード分類の効果的手法
• Authors: Rituparna Datta, Nibir Chandra Mandal,
• Abstract要約: 本稿では,TAPE(Text-Attributed Graph Representation Enhancement)とGraphormerを統合する新しいフレームワークを提案する。 提案手法は,論文の内容から意味的に豊かな説明を生成し,それを拡張ノード表現に融合させる。 我々は,本フレームワークの課題であるogbn-arxivデータセットに対する有効性を示し,分類精度0.772で最先端性能を実現した。
• 参考スコア（独自算出の注目度）: 0.5062312533373298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Textual Attribute Graphs (TAGs) are critical for modeling complex networks like citation networks, but effective node classification remains challenging due to difficulties in integrating rich semantics from text with structural graph information. Existing methods often struggle with capturing nuanced domain-specific terminology, modeling long-range dependencies, adapting to temporal evolution, and scaling to massive datasets. To address these issues, we propose a novel framework that integrates TAPE (Text-Attributed Graph Representation Enhancement) with Graphormer. Our approach leverages a large language model (LLM), specifically ChatGPT, within the TAPE framework to generate semantically rich explanations from paper content, which are then fused into enhanced node representations. These embeddings are combined with structural features using a novel integration layer with learned attention weights. Graphormer's path-aware position encoding and multi-head attention mechanisms are employed to effectively capture long-range dependencies across the citation network. We demonstrate the efficacy of our framework on the challenging ogbn-arxiv dataset, achieving state-of-the-art performance with a classification accuracy of 0.772, significantly surpassing the best GCN baseline of 0.713. Our method also yields strong results in precision (0.671), recall (0.577), and F1-score (0.610). We validate our approach through comprehensive ablation studies that quantify the contribution of each component, demonstrating the synergy between semantic and structural information. Our framework provides a scalable and robust solution for node classification in dynamic TAGs, offering a promising direction for future research in knowledge systems and scientific discovery.
• Abstract（参考訳）: テキスト属性グラフ(TAG)は、引用ネットワークのような複雑なネットワークをモデル化するのに重要であるが、構造グラフ情報とテキストからリッチなセマンティクスを統合するのが困難であるため、効果的なノード分類は依然として困難である。 既存のメソッドは、ニュアンスドドメイン固有の用語のキャプチャ、長距離依存のモデリング、時間的進化への適応、大規模なデータセットへのスケーリングに苦労することが多い。 これらの問題に対処するために,TAPE(Text-Attributed Graph Representation Enhancement)とGraphormerを統合する新しいフレームワークを提案する。 提案手法では,大規模言語モデル(特にChatGPT)をTAPEフレームワーク内で活用し,論文の内容から意味的に豊かな説明を生成し,それを拡張ノード表現に融合する。 これらの埋め込みは、学習された注意重みを持つ新しい統合層を用いて構造的特徴と組み合わせられる。 Graphormerのパス認識位置符号化とマルチヘッドアテンション機構を用いて、引用ネットワーク全体にわたる長距離依存関係を効果的にキャプチャする。 我々は,本フレームワークの課題であるogbn-arxivデータセットに対する有効性を実証し,分類精度0.772の最先端性能を達成し,GCNベースライン0.713を著しく上回った。 また,精度(0.671),リコール(0.577),F1スコア(0.610)の強い結果が得られる。 本研究は,各成分の寄与を定量化し,意味情報と構造情報の相乗効果を示す包括的アブレーションによるアプローチを検証する。 我々のフレームワークは、動的TAGにおけるノード分類のためのスケーラブルで堅牢なソリューションを提供し、将来的な知識システムと科学的発見の方向性を提供する。

関連論文リスト

• GMLM: Bridging Graph Neural Networks and Language Models for Heterophilic Node Classification [0.0]
  グラフ構造とテキスト意味論の効率的かつ効果的な融合を目的としたフレームワークを提案する。 5つのヘテロ親和性ベンチマークの実験は、GMLMが最先端の結果を達成していることを示している。
  論文  参考訳（メタデータ） (2025-02-24T07:44:01Z)
• Deep Sparse Latent Feature Models for Knowledge Graph Completion [24.342670268545085]
  本稿では,深部変分オートエンコーダ(VAE)により最適化されたスパース潜時特徴モデルを用いた新しい確率的KGCフレームワークを提案する。 提案手法は, 局所的なテキスト特徴を持つ動的クラスタリング情報を用いて, 欠落した三重項を効果的に完遂すると同時に, 基礎となる潜在構造を解釈しやすくする。
  論文  参考訳（メタデータ） (2024-11-24T03:17:37Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Bridging Local Details and Global Context in Text-Attributed Graphs [62.522550655068336]
  GraphBridgeは、コンテキストテキスト情報を活用することで、ローカルおよびグローバルな視点をブリッジするフレームワークである。 提案手法は最先端性能を実現し,グラフ対応トークン削減モジュールは効率を大幅に向上し,スケーラビリティの問題を解消する。
  論文  参考訳（メタデータ） (2024-06-18T13:35:25Z)
• Unleashing the Potential of Text-attributed Graphs: Automatic Relation Decomposition via Large Language Models [31.443478448031886]
  RoSE (Relation-oriented Semantic Edge-Decomposition) は、生のテキスト属性を分析してグラフ構造を分解する新しいフレームワークである。 我々のフレームワークは、さまざまなデータセットのノード分類性能を大幅に向上させ、ウィスコンシンデータセットでは最大16%の改善を実現した。
  論文  参考訳（メタデータ） (2024-05-28T20:54:47Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Semantic Graph Neural Network with Multi-measure Learning for Semi-supervised Classification [5.000404730573809]
  近年,グラフニューラルネットワーク(GNN)が注目されている。 近年の研究では、GNNはグラフの複雑な基盤構造に弱いことが示されている。 半教師付き分類のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-04T06:17:11Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。