論文の概要: Draw a Portrait of Your Graph Data: An Instance-Level Profiling Framework for Graph-Structured Data

• arxiv url: http://arxiv.org/abs/2509.12094v1
• Date: Mon, 15 Sep 2025 16:18:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.395694
• Title: Draw a Portrait of Your Graph Data: An Instance-Level Profiling Framework for Graph-Structured Data
• Title（参考訳）: グラフデータのポートレートを描く:グラフ構造化データのためのインスタンスレベルプロファイリングフレームワーク
• Authors: Tianqi Zhao, Russa Biswas, Megha Khosla,
• Abstract要約: モデル動作のきめ細かい診断を可能にするノードプロファイリングフレームワークであるNodeProを紹介した。 本研究では,ノードプロファイルが未確認ノードに一般化され,基底構造ラベルを使わずに予測信頼性が向上することを示す。 構造化知識グラフにおいて,意味的に一貫性のないノードや破損したノードを識別するNodeProの有用性を実証する。
• 参考スコア（独自算出の注目度）: 3.912899665210116
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph machine learning models often achieve similar overall performance yet behave differently at the node level, failing on different subsets of nodes with varying reliability. Standard evaluation metrics such as accuracy obscure these fine grained differences, making it difficult to diagnose when and where models fail. We introduce NodePro, a node profiling framework that enables fine-grained diagnosis of model behavior by assigning interpretable profile scores to individual nodes. These scores combine data-centric signals, such as feature dissimilarity, label uncertainty, and structural ambiguity, with model-centric measures of prediction confidence and consistency during training. By aligning model behavior with these profiles, NodePro reveals systematic differences between models, even when aggregate metrics are indistinguishable. We show that node profiles generalize to unseen nodes, supporting prediction reliability without ground-truth labels. Finally, we demonstrate the utility of NodePro in identifying semantically inconsistent or corrupted nodes in a structured knowledge graph, illustrating its effectiveness in real-world settings.
• Abstract（参考訳）: グラフ機械学習モデルは、しばしば同様の全体的なパフォーマンスを達成するが、ノードレベルでは異なる振る舞いをし、異なる信頼性を持つノードの異なるサブセットで失敗する。 精度などの標準的な評価指標は、これらの細かい粒度の違いを曖昧にし、いつ、どこでモデルが故障したかを診断することが困難になる。 我々は,解釈可能なプロファイルスコアを個々のノードに割り当てることで,モデル動作のきめ細かい診断を可能にするノードプロファイリングフレームワークであるNodeProを紹介した。 これらのスコアは、特徴の相違、ラベルの不確実性、構造的あいまいさといったデータ中心の信号と、トレーニング中の予測信頼性と一貫性のモデル中心の尺度を組み合わせる。 モデルの振る舞いをこれらのプロファイルと整合させることで、NodeProは、集約メトリクスが区別できない場合でも、モデル間の体系的な差異を明らかにする。 本研究では,ノードプロファイルが未確認ノードに一般化され,基底構造ラベルを使わずに予測信頼性が向上することを示す。 最後に、構造化知識グラフにおいて、意味的に一貫性のないノードや破損したノードを識別するNodeProの有用性を実証し、実世界の環境での有効性を実証する。

関連論文リスト

• FedHERO: A Federated Learning Approach for Node Classification Task on Heterophilic Graphs [55.51300642911766]
  Federated Graph Learning(FGL)は、クライアントがグラフニューラルネットワーク(GNN)を分散的にトレーニングすることを可能にする。 FGL法は通常、全てのクライアントが所有するグラフデータが、類似したノードの分布パターンを保証するためにホモフィリックであることが要求される。 異種グラフからの洞察を効果的に活用し、共有するために設計されたFGLフレームワークであるFedHEROを提案する。
  論文  参考訳（メタデータ） (2025-04-29T22:23:35Z)
• Graph-Based Uncertainty-Aware Self-Training with Stochastic Node Labeling [2.600103729157093]
  本稿では,ノード分類における自信過剰に対処するための,新しいEmphgraph-based uncertainty-aware self-training(GUST)フレームワークを提案する。 本手法は, グラフトポロジに基礎を置き, 従来の自己学習手法とは大きく異なる。 いくつかのベンチマークグラフデータセットの実験結果から,我々のGUSTフレームワークが最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-03-26T21:54:19Z)
• Graph Structure Learning with Interpretable Bayesian Neural Networks [10.957528713294874]
  独立に解釈可能なパラメータを持つ新しい反復を導入する。 これらのパラメータは、エッジ空間のような推定グラフの特性に影響を与える。 これらの反復を解いた後、そのようなグラフの特徴に関する事前知識は、事前分布を形作る。 高速な実行とパラメータ効率により、高忠実度後部近似が可能となる。
  論文  参考訳（メタデータ） (2024-06-20T23:27:41Z)
• Evaluating Robustness and Uncertainty of Graph Models Under Structural Distributional Shifts [43.40315460712298]
  グラフ学習におけるノードレベルの問題では、分散シフトは特に複雑である。 本稿では,グラフ構造に基づく分布変化の一般化手法を提案する。 単純なモデルは、考慮された構造的シフトにおいて、より洗練された手法よりも優れていることがよく示される。
  論文  参考訳（メタデータ） (2023-02-27T15:25:21Z)
• A Graph Is More Than Its Nodes: Towards Structured Uncertainty-Aware Learning on Graphs [49.76175970328538]
  本稿では,エッジワイド・キャリブレーション・エラー(ECE)とアライアンス・ディスアグリーECEを新たに提案し,ノードワイド・セッティングを超えるグラフの不確実性推定の基準を提供する。 実験により,提案したエッジワイドメトリクスがノードワイズの結果を補完し,さらなる洞察を得ることが実証された。
  論文  参考訳（メタデータ） (2022-10-27T16:12:58Z)
• Node Copying: A Random Graph Model for Effective Graph Sampling [35.957719744856696]
  本稿では,グラフ上の分布を構成するノードコピーモデルを提案する。 コピーモデルの有用性を3つのタスクで示す。 提案モデルを用いて,グラフトポロジに対する敵攻撃の効果を緩和する。
  論文  参考訳（メタデータ） (2022-08-04T04:04:49Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Stable Prediction on Graphs with Agnostic Distribution Shift [105.12836224149633]
  グラフニューラルネットワーク(GNN)は、ランダムにトレーニングとテストデータを分離した様々なグラフタスクに有効であることが示されている。 しかし、実際のアプリケーションでは、トレーニンググラフの分布はテストグラフとは異なるかもしれない。 本稿では,グラフ上での局所的およびグローバル的に安定な学習と予測を可能にする,GNNのための新しい安定な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-08T02:45:47Z)
• Efficient Robustness Certificates for Discrete Data: Sparsity-Aware Randomized Smoothing for Graphs, Images and More [85.52940587312256]
  本稿では,初期作業を想定したランダム化平滑化フレームワークに基づくモデル非依存の証明書を提案する。 このアプローチがさまざまなモデル、データセット、タスクに対して有効であることを示します。
  論文  参考訳（メタデータ） (2020-08-29T10:09:02Z)

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。