論文の概要: PolyGraph Discrepancy: a classifier-based metric for graph generation
- arxiv url: http://arxiv.org/abs/2510.06122v1
- Date: Tue, 07 Oct 2025 17:02:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-08 17:57:08.365465
- Title: PolyGraph Discrepancy: a classifier-based metric for graph generation
- Title（参考訳）: PolyGraph Discrepancy: グラフ生成のための分類器に基づく計量
- Authors: Markus Krimmel, Philip Hartout, Karsten Borgwardt, Dexiong Chen,
- Abstract要約: PolyGraph Discrepancy (PGD)はグラフ生成モデルを評価するための新しいフレームワークである。
グラフ分布のジェンセン=シャノン距離を、実グラフと生成グラフを区別するために二項分類器を組み込むことによって近似する。
結果のメトリクスは単位間隔 [0,1] に制約され、異なるグラフ記述子に匹敵する。
- 参考スコア（独自算出の注目度）: 6.719930635944071
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing methods for evaluating graph generative models primarily rely on Maximum Mean Discrepancy (MMD) metrics based on graph descriptors. While these metrics can rank generative models, they do not provide an absolute measure of performance. Their values are also highly sensitive to extrinsic parameters, namely kernel and descriptor parametrization, making them incomparable across different graph descriptors. We introduce PolyGraph Discrepancy (PGD), a new evaluation framework that addresses these limitations. It approximates the Jensen-Shannon distance of graph distributions by fitting binary classifiers to distinguish between real and generated graphs, featurized by these descriptors. The data log-likelihood of these classifiers approximates a variational lower bound on the JS distance between the two distributions. Resulting metrics are constrained to the unit interval [0,1] and are comparable across different graph descriptors. We further derive a theoretically grounded summary metric that combines these individual metrics to provide a maximally tight lower bound on the distance for the given descriptors. Thorough experiments demonstrate that PGD provides a more robust and insightful evaluation compared to MMD metrics. The PolyGraph framework for benchmarking graph generative models is made publicly available at https://github.com/BorgwardtLab/polygraph-benchmark.
- Abstract（参考訳）: グラフ生成モデルを評価する既存の方法は、主にグラフ記述子に基づく最大平均離散性(MMD)メトリクスに依存している。
これらの指標は生成モデルをランク付けすることができるが、パフォーマンスの絶対的な尺度を提供していない。
また、それらの値は外部パラメータ、すなわちカーネルとディスクリプタのパラメトリゼーションに非常に敏感であり、異なるグラフ記述子間で非互換である。
我々はこれらの制限に対処する新しい評価フレームワークであるPolyGraph Discrepancy (PGD)を紹介した。
グラフ分布のJensen-Shannon距離を2値分類器に当てはめ、実グラフと生成されたグラフを区別し、これらの記述子によって区切られる。
これらの分類器のデータログは、2つの分布の間のJS距離の変動的な下界を近似する。
結果のメトリクスは単位間隔 [0,1] に制約され、異なるグラフ記述子に匹敵する。
さらに、これらの個々の指標を組み合わせて、与えられた記述子の距離に最大で厳密な下限を与える理論的な下限計量を導出する。
詳細な実験により、PGDはMDDの指標と比較して、より堅牢で洞察に富んだ評価を提供することが示された。
グラフ生成モデルのベンチマークを行うPolyGraphフレームワークはhttps://github.com/BorgwardtLab/polygraph-benchmarkで公開されている。
関連論文リスト
- Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。
GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
論文 参考訳（メタデータ） (2025-01-30T20:37:47Z) - Graph GOSPA metric: a metric to measure the discrepancy between graphs of different sizes [3.8823562292981393]
本稿では,ノード数が異なる可能性のあるグラフ間の相似性を測定する指標を提案する。
提案したグラフGOSPAメトリクスは、適切に割り当てられたノード、ミスノード、偽ノード、グラフ間のエッジミスマッチに対するノード属性エラーに関連するコストを含む。
論文 参考訳（メタデータ） (2023-11-10T11:40:24Z) - GRAN is superior to GraphRNN: node orderings, kernel- and graph
embeddings-based metrics for graph generators [0.6816499294108261]
本研究では,グラフ不変量の分布に関するカーネルベースのメトリクスと,グラフ埋め込み空間における多様体ベースのメトリクスとカーネルベースのメトリクスについて検討する。
グラフの2つのよく知られた生成モデルであるGraphRNNとGRANを比較し、ノード順序の影響を明らかにする。
論文 参考訳（メタデータ） (2023-07-13T12:07:39Z) - Graph Fourier MMD for Signals on Graphs [67.68356461123219]
本稿では,グラフ上の分布と信号の間の新しい距離を提案する。
GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。
グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
論文 参考訳（メタデータ） (2023-06-05T00:01:17Z) - Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF)
我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。
我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
論文 参考訳（メタデータ） (2022-05-28T15:37:03Z) - GraphDCA -- a Framework for Node Distribution Comparison in Real and
Synthetic Graphs [72.51835626235368]
2つのグラフを比較するとき、ノード構造的特徴の分布は、グローバルグラフ統計よりも有益である、と我々は主張する。
本稿では,各ノード表現セットのアライメントに基づいてグラフ間の類似性を評価するフレームワークGraphDCAを提案する。
論文 参考訳（メタデータ） (2022-02-08T14:19:19Z) - On Evaluation Metrics for Graph Generative Models [17.594098458581694]
既存のグラフ生成モデル(GGM)とニューラル・ネットワーク・ベースのメトリクスを用いてGGMを評価する。
学習せずに有意なグラフ表現を抽出するために,特定のグラフニューラルネットワーク(GNN)の力に触発され,未学習のランダムGNNによって抽出された特徴に基づくいくつかの指標を導入する。
論文 参考訳（メタデータ） (2022-01-24T18:49:27Z) - Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
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を学習するためのパラメトリックモデルの一般的なクラスである。
最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。
本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文 参考訳（メタデータ） (2020-11-19T06:03:35Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。