論文の概要: Test-time GNN Model Evaluation on Dynamic Graphs
- arxiv url: http://arxiv.org/abs/2509.23816v1
- Date: Sun, 28 Sep 2025 11:40:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 22:32:19.467921
- Title: Test-time GNN Model Evaluation on Dynamic Graphs
- Title（参考訳）: 動的グラフを用いたテスト時間GNNモデルの評価
- Authors: Bo Li, Xin Zheng, Ming Jin, Can Wang, Shirui Pan,
- Abstract要約: 我々は,DyGEvalと呼ばれる動的グラフニューラルネットワーク評価器を提案し,この問題に対処する。
提案したDyGEvalは,(1) テスト時動的グラフシミュレーション,(2) テスト時動的グラフ上でのよく訓練されたDGNNモデルの性能を正確に推定するDyGEvalの開発・訓練の2段階からなる。
- 参考スコア（独自算出の注目度）: 52.31268996286955
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic graph neural networks (DGNNs) have emerged as a leading paradigm for learning from dynamic graphs, which are commonly used to model real-world systems and applications. However, due to the evolving nature of dynamic graph data distributions over time, well-trained DGNNs often face significant performance uncertainty when inferring on unseen and unlabeled test graphs in practical deployment. In this case, evaluating the performance of deployed DGNNs at test time is crucial to determine whether a well-trained DGNN is suited for inference on an unseen dynamic test graph. In this work, we introduce a new research problem: DGNN model evaluation, which aims to assess the performance of a specific DGNN model trained on observed dynamic graphs by estimating its performance on unseen dynamic graphs during test time. Specifically, we propose a Dynamic Graph neural network Evaluator, dubbed DyGEval, to address this new problem. The proposed DyGEval involves a two-stage framework: (1) test-time dynamic graph simulation, which captures the training-test distributional differences as supervision signals and trains an evaluator; and (2) DyGEval development and training, which accurately estimates the performance of the well-trained DGNN model on the test-time dynamic graphs. Extensive experiments demonstrate that the proposed DyGEval serves as an effective evaluator for assessing various DGNN backbones across different dynamic graphs under distribution shifts.
- Abstract（参考訳）: 動的グラフニューラルネットワーク(DGNN)は、現実のシステムやアプリケーションのモデリングに一般的に使用される動的グラフから学ぶための主要なパラダイムとして登場した。
しかし、時間とともに動的グラフデータ分布が進化しているため、よく訓練されたDGNNは、実際のデプロイにおいて、目に見えないテストグラフやラベルのないテストグラフを推測する場合、重大なパフォーマンス上の不確実性に直面することが多い。
この場合、テスト時にデプロイされたDGNNの性能を評価することは、よく訓練されたDGNNが未知の動的テストグラフの推論に適しているかどうかを判断するために重要である。
本研究では,DGNNモデル評価という新たな研究課題を紹介する。DGNNモデルの評価は,観察された動的グラフに基づいてトレーニングされた特定のDGNNモデルの性能を評価することを目的としている。
具体的には,DyGEvalと呼ばれる動的グラフニューラルネットワーク評価器を提案し,この問題に対処する。
提案したDyGEvalは,(1) テスト時動的グラフシミュレーション,(2) テスト時動的グラフ上でのよく訓練されたDGNNモデルの性能を正確に推定するDyGEvalの開発・訓練の2段階からなる。
広汎な実験により、DyGEvalは分散シフトの下で異なる動的グラフをまたいだ様々なDGNNバックボーンを評価する効果的な評価器として機能することが示された。
関連論文リスト
- Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation [24.20087360102464]
動的グラフアンラーニングを初めて研究し、DGNNアンラーニングを実装するための効率的で効率的で汎用的で後処理手法を提案する。
提案手法は,将来的な未学習要求を処理できる可能性があり,性能が大幅に向上する。
論文 参考訳（メタデータ） (2024-05-23T10:26:18Z) - Online GNN Evaluation Under Test-time Graph Distribution Shifts [92.4376834462224]
オンラインGNN評価という新たな研究課題は、よく訓練されたGNNが現実世界の未ラベルグラフに一般化する能力について、貴重な洞察を提供することを目的としている。
我々は、よく訓練されたGNNモデルのテスト時間一般化誤差を推定するために、LeBeDと呼ばれる効果的な学習行動不一致スコアを開発する。
論文 参考訳（メタデータ） (2024-03-15T01:28:08Z) - GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。
近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。
本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
論文 参考訳（メタデータ） (2024-01-10T08:37:39Z) - GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。
本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。
DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
論文 参考訳（メタデータ） (2023-10-23T05:51:59Z) - Test-Time Training for Graph Neural Networks [46.479026988929235]
本稿では,グラフ分類タスクのモデル一般化能力を高めるため,GNNの初となるテスト時間トレーニングフレームワークを紹介する。
特に、テストグラフサンプルごとにGNNモデルを調整するために、自己教師付き学習を用いた新しいテストタイムトレーニング戦略を設計する。
論文 参考訳（メタデータ） (2022-10-17T07:58:07Z)
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。