論文の概要: Graph-based Tabular Deep Learning Should Learn Feature Interactions, Not Just Make Predictions

• arxiv url: http://arxiv.org/abs/2510.04543v1
• Date: Mon, 06 Oct 2025 07:16:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.723146
• Title: Graph-based Tabular Deep Learning Should Learn Feature Interactions, Not Just Make Predictions
• Title（参考訳）: グラフベースのタブラルディープラーニングは、単なる予測ではなく、機能インタラクションを学習すべきである
• Authors: Elias Dubbeldam, Reza Mohammadi, Marit Schoonhoven, S. Ilker Birbil,
• Abstract要約: 本稿では、GTDLは予測中心の目的を超えて、特徴的相互作用の明示的な学習と評価を優先すべきである、と論じる。 本研究では,既存のGTDL法では意味のある特徴の相互作用を再現できないことを示す。 我々は、ドメイン理解に根ざした解釈可能で信頼性の高いGTDLシステム構築の基盤として、構造認識モデリングへのシフトを求める。
• 参考スコア（独自算出の注目度）: 2.312692134587988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite recent progress, deep learning methods for tabular data still struggle to compete with traditional tree-based models. A key challenge lies in modeling complex, dataset-specific feature interactions that are central to tabular data. Graph-based tabular deep learning (GTDL) methods aim to address this by representing features and their interactions as graphs. However, existing methods predominantly optimize predictive accuracy, neglecting accurate modeling of the graph structure. This position paper argues that GTDL should move beyond prediction-centric objectives and prioritize the explicit learning and evaluation of feature interactions. Using synthetic datasets with known ground-truth graph structures, we show that existing GTDL methods fail to recover meaningful feature interactions. Moreover, enforcing the true interaction structure improves predictive performance. This highlights the need for GTDL methods to prioritize quantitative evaluation and accurate structural learning. We call for a shift toward structure-aware modeling as a foundation for building GTDL systems that are not only accurate but also interpretable, trustworthy, and grounded in domain understanding.
• Abstract（参考訳）: 近年の進歩にもかかわらず、表形式のデータに対するディープラーニング手法は、従来のツリーベースのモデルと競合するのに苦戦している。 重要な課題は、表のデータの中心となる複雑なデータセット固有の機能インタラクションをモデル化することだ。 グラフベースの表層深層学習(GTDL)手法は,特徴とその相互作用をグラフとして表現することでこの問題に対処することを目的としている。 しかし、既存の手法は主に予測精度を最適化し、グラフ構造の正確なモデリングを無視する。 本稿では、GTDLは予測中心の目的を超えて、特徴的相互作用の明示的な学習と評価を優先すべきである、と論じる。 本研究では,既存のGTDL法では意味のある特徴の相互作用を再現できないことを示す。 さらに、真の相互作用構造を強制することで予測性能が向上する。 このことは、定量的評価と正確な構造学習を優先するGTDL手法の必要性を強調している。 我々は,GTDLシステム構築の基盤として構造認識モデリングへのシフトを求める。

関連論文リスト

• From Features to Structure: Task-Aware Graph Construction for Relational and Tabular Learning with GNNs [6.0757501646966965]
  タスク対応グラフ拡張のための統合フレームワークであるauGraphを紹介する。 auGraphは、属性をノードに選択的にプロモートすることで、ベースグラフ構造を強化する。 タスク関連構造信号を注入しながら、元のデータスキーマを保存する。
  論文  参考訳（メタデータ） (2025-06-02T20:42:53Z)
• Verbalized Graph Representation Learning: A Fully Interpretable Graph Model Based on Large Language Models Throughout the Entire Process [8.820909397907274]
  完全に解釈可能な言語グラフ表現学習法(VGRL)を提案する。 従来のグラフ機械学習モデルとは対照的に、VGRLはこのパラメータ空間をテキスト記述に制約する。 VGRLの有効性を実証的に評価するために,いくつかの研究を行った。
  論文  参考訳（メタデータ） (2024-10-02T12:07:47Z)
• How Data Inter-connectivity Shapes LLMs Unlearning: A Structural Unlearning Perspective [29.924482732745954]
  既存のアプローチでは、忘れられるべきデータポイントは独立であり、接続性を無視していると仮定している。 構造データセットをコンパイルする手法であるPISTOLを提案する。
  論文  参考訳（メタデータ） (2024-06-24T17:22:36Z)
• Revisiting Link Prediction: A Data Perspective [59.296773787387224]
  グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。 既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。 我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
  論文  参考訳（メタデータ） (2023-10-01T21:09:59Z)
• 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)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Relate and Predict: Structure-Aware Prediction with Jointly Optimized Neural DAG [13.636680313054631]
  ニューラルネットワークフレームワークdGAPを提案し、ニューラルネットワーク依存性グラフを学習し、構造認識ターゲット予測を最適化する。 dGAPは構造物の自己超越損失と目標予測損失を共同で訓練する。 複数のシミュレーションデータセットと実データセットでdGAPを実証的に評価する。
  論文  参考訳（メタデータ） (2021-03-03T13:55:12Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)

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。