論文の概要: GraphUniverse: Enabling Systematic Evaluation of Inductive Generalization

• arxiv url: http://arxiv.org/abs/2509.21097v1
• Date: Thu, 25 Sep 2025 12:46:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.907221
• Title: GraphUniverse: Enabling Systematic Evaluation of Inductive Generalization
• Title（参考訳）: GraphUniverse:帰納的一般化の体系的評価
• Authors: Louis Van Langendonck, Guillermo Bernárdez, Nina Miolane, Pere Barlet-Ros,
• Abstract要約: GraphUniverseはグラフの全ファミリーを生成するためのフレームワークである。 これにより、スケールでの帰納的一般化の最初の体系的評価が可能になる。 私たちの中心となるイノベーションは、永続的なセマンティックなコミュニティを持つグラフの生成です。
• 参考スコア（独自算出の注目度）: 8.95975918626961
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A fundamental challenge in graph learning is understanding how models generalize to new, unseen graphs. While synthetic benchmarks offer controlled settings for analysis, existing approaches are confined to single-graph, transductive settings where models train and test on the same graph structure. Addressing this gap, we introduce GraphUniverse, a framework for generating entire families of graphs to enable the first systematic evaluation of inductive generalization at scale. Our core innovation is the generation of graphs with persistent semantic communities, ensuring conceptual consistency while allowing fine-grained control over structural properties like homophily and degree distributions. This enables crucial but underexplored robustness tests, such as performance under controlled distribution shifts. Benchmarking a wide range of architectures -- from GNNs to graph transformers and topological architectures -- reveals that strong transductive performance is a poor predictor of inductive generalization. Furthermore, we find that robustness to distribution shift is highly sensitive not only to model architecture choice but also to the initial graph regime (e.g., high vs. low homophily). Beyond benchmarking, GraphUniverse's flexibility and scalability can facilitate the development of robust and truly generalizable architectures -- including next-generation graph foundation models. An interactive demo is available at https://graphuniverse.streamlit.app.
• Abstract（参考訳）: グラフ学習の根本的な課題は、モデルが新しい、目に見えないグラフにどのように一般化するかを理解することである。 合成ベンチマークは分析のための制御された設定を提供するが、既存のアプローチは、モデルが同じグラフ構造上でトレーニングとテストを行うような、単一グラフのトランスダクティブな設定に限定されている。 このギャップに対処するため,グラフファミリ全体を生成するフレームワークであるGraphUniverseを導入し,大規模化による帰納的一般化の最初の体系的評価を可能にする。 私たちの中心となるイノベーションは、永続的なセマンティックなコミュニティを持つグラフの生成であり、概念的な一貫性を確保しながら、ホモフィリーや次数分布のような構造的特性のきめ細かい制御を可能にします。 これにより、制御された分散シフト下でのパフォーマンスなど、重要だが過度に探索された堅牢性テストが可能になる。 GNNからグラフトランスフォーマー、トポロジアーキテクチャに至るまで、幅広いアーキテクチャをベンチマークすると、強いトランスダクティブパフォーマンスが帰納的一般化の予測に乏しいことが分かる。 さらに、分布シフトに対するロバスト性は、アーキテクチャの選択をモデル化するだけでなく、初期グラフ構造(例えば、高いホモフィリー対低ホモフィリー)にも非常に敏感である。 ベンチマーク以外にも、GraphUniverseの柔軟性とスケーラビリティは、堅牢で真に一般化可能なアーキテクチャ -- 次世代のグラフ基盤モデルを含む -- の開発を促進することができる。 インタラクティブなデモはhttps://graphuniverse.streamlit.app.comで公開されている。

関連論文リスト

• Generating Directed Graphs with Dual Attention and Asymmetric Encoding [41.979242767509064]
  離散フローマッチングフレームワーク上に構築された有向グラフの最初の生成モデルであるDirectoを提案する。 提案手法は,非対称なペアワイズ関係に適合する原理的位置エンコーディングと,(ii)入出力依存と出出力依存の両方を捉える二重アテンション機構と,(iii)頑健で離散的な生成機構を組み合わせたものである。 本研究は,提案手法の有効性と汎用性を強調し,有向グラフ生成における今後の研究の基盤を確立するものである。
  論文  参考訳（メタデータ） (2025-06-19T15:35:20Z)
• It Takes a Graph to Know a Graph: Rewiring for Homophily with a Reference Graph [19.222317334613162]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データの解析に長けているが、連結ノードがしばしば異なるクラスに属している異種グラフに苦戦している。 我々は、エッジホモフィリー、GNN埋め込みの滑らかさ、ノード分類性能をリンクする理論的基礎を提供する。 参照グラフを用いてグラフをホモフィリに増加させるリワイアリングフレームワークを導入し、リワイアグラフのホモフィリを理論的に保証する。
  論文  参考訳（メタデータ） (2025-05-18T13:28:56Z)
• Towards A Universal Graph Structural Encoder [18.609281566514017]
  GFSEは、様々な領域にわたる転送可能な構造パターンをキャプチャするために設計された普遍的なグラフ構造エンコーダである。 グラフ変換器上に構築されたGFSEは、グラフ誘導バイアスによって誘導される注意機構を導入し、多層および微細なトポロジ的特徴をエンコードする。 GFSEは81.6%の評価ケースで最先端のパフォーマンスを達成し、多様なグラフモデルとデータセットにまたがる。
  論文  参考訳（メタデータ） (2025-04-15T06:57:26Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• What Improves the Generalization of Graph Transformers? A Theoretical Dive into the Self-attention and Positional Encoding [67.59552859593985]
  自己アテンションと位置エンコーディングを組み込んだグラフトランスフォーマーは、さまざまなグラフ学習タスクのための強力なアーキテクチャとして登場した。 本稿では,半教師付き分類のための浅いグラフ変換器の理論的検討について紹介する。
  論文  参考訳（メタデータ） (2024-06-04T05:30:16Z)
• Fine-tuning Graph Neural Networks by Preserving Graph Generative Patterns [13.378277755978258]
  プレトレーニンググラフと下流グラフの間の構造的ばらつきは,バニラ微調整戦略を用いた場合の転送可能性を大幅に制限することを示す。 下流グラフの生成パターンを保存するためにG-Tuningを提案する。 G-Tuningはドメイン内およびドメイン外移行学習実験において平均0.5%と2.6%の改善を示している。
  論文  参考訳（メタデータ） (2023-12-21T05:17:10Z)
• Supercharging Graph Transformers with Advective Diffusion [28.40109111316014]
  本稿では,この課題に対処するために,物理に着想を得たグラフトランスモデルであるAdvDIFFormerを提案する。 本稿では,AdvDIFFormerが位相シフトによる一般化誤差を制御できることを示す。 経験的に、このモデルは情報ネットワーク、分子スクリーニング、タンパク質相互作用の様々な予測タスクにおいて優位性を示す。
  論文  参考訳（メタデータ） (2023-10-10T08:40:47Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)

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。