論文の概要: PISA: Prioritized Invariant Subgraph Aggregation

• arxiv url: http://arxiv.org/abs/2511.22435v1
• Date: Thu, 27 Nov 2025 13:15:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.576248
• Title: PISA: Prioritized Invariant Subgraph Aggregation
• Title（参考訳）: PISA:優先順位付けされた不変部分グラフ集約
• Authors: Ali Ghasemi, Farooq Ahmad Wani, Maria Sofia Bucarelli, Fabrizio Silvestri,
• Abstract要約: CIGAは因果的モデリングと情報理論の目的を用いて因果的特徴を捉えた単一の不変部分グラフを抽出する。 SuGArは、サンプルと正則化器を通して多様な不変部分グラフを学び、集約し、堅牢性を改善するが、それでも単純な一様あるいは強欲的な集計に依存している。 PISAは動的多様性に基づくアグリゲーションを導入し、表現を優先順位付けし、サブグラフ表現をより効果的に結合する。
• 参考スコア（独自算出の注目度）: 11.419872258847716
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent work has extended the invariance principle for out-of-distribution (OOD) generalization from Euclidean to graph data, where challenges arise due to complex structures and diverse distribution shifts in node attributes and topology. To handle these, Chen et al. proposed CIGA (Chen et al., 2022b), which uses causal modeling and an information-theoretic objective to extract a single invariant subgraph capturing causal features. However, this single-subgraph focus can miss multiple causal patterns. Liu et al. (2025) addressed this with SuGAr, which learns and aggregates diverse invariant subgraphs via a sampler and diversity regularizer, improving robustness but still relying on simple uniform or greedy aggregation. To overcome this, the proposed PISA framework introduces a dynamic MLP-based aggregation that prioritizes and combines subgraph representations more effectively. Experiments on 15 datasets, including DrugOOD (Ji et al., 2023), show that PISA achieves up to 5% higher classification accuracy than prior methods.
• Abstract（参考訳）: 最近の研究は、ユークリッドからグラフデータへのアウト・オブ・ディストリビューション(OOD)一般化の不変原理を拡張した。 そこで Chen らは CIGA (Chen et al , 2022b) を提案した。これは因果的モデリングと情報理論の目的を用いて因果的特徴を捉えた単一の不変部分グラフを抽出する。 しかし、このシングルサブグラフの焦点は、複数の因果パターンを見逃す可能性がある。 Liu et al (2025)はSuGArでこの問題に対処し、サンプルと多様性正規化器を通して多様な不変部分グラフを学習し、集約し、堅牢性を改善するが、それでも単純な一様あるいは強欲的な集約に依存している。 これを解決するため、提案したPISAフレームワークは、より効果的にサブグラフ表現を優先順位付けし結合する動的MDPベースのアグリゲーションを導入している。 DrugOOD (Ji et al , 2023)を含む15のデータセットの実験では、PISAが従来の方法よりも最大5%高い分類精度を達成することが示された。

関連論文リスト

• Raising the Bar in Graph OOD Generalization: Invariant Learning Beyond Explicit Environment Modeling [61.222803636132554]
  実世界のグラフデータは、従来のモデルでは一般化できない、多様で変化する環境を示すことが多い。 マルチプロトタイプ超球形不変学習(MPHIL)と呼ばれる新しい手法を提案する。 MPHILは最先端のパフォーマンスを実現し、様々なドメインからのグラフデータと異なる分散シフトで既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-02-15T07:40:14Z)
• Variational Learning of Gaussian Process Latent Variable Models through Stochastic Gradient Annealed Importance Sampling [22.256068524699472]
  本研究では,これらの問題に対処するために,Annealed Importance Smpling (AIS)アプローチを提案する。 シークエンシャルモンテカルロサンプリング器とVIの強度を組み合わせることで、より広い範囲の後方分布を探索し、徐々にターゲット分布に接近する。 実験結果から,本手法はより厳密な変動境界,高い対数類似度,より堅牢な収束率で最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-13T08:09:05Z)
• DIVE: Subgraph Disagreement for Graph Out-of-Distribution Generalization [44.291382840373]
  本稿では,グラフ機械学習におけるアウト・オブ・ディストリビューションの一般化の課題に対処する。 従来のグラフ学習アルゴリズムは、この仮定が失敗する現実世界のシナリオで失敗する。 この準最適性能に寄与する主な要因は、ニューラルネットワークの本質的な単純さバイアスである。
  論文  参考訳（メタデータ） (2024-08-08T12:08:55Z)
• Unifying Invariant and Variant Features for Graph Out-of-Distribution via Probability of Necessity and Sufficiency [18.564387153282293]
  本稿では,必要十分かつ必要な不変部分構造を抽出するために,PNS(Probability of Necessity and Sufficiency)を活用することを提案する。 また、ラベルに関連する領域不変部分グラフを活用し、アンサンブル方式で一般化性能を向上する。 実験の結果,SNIGLモデルは6つの公開ベンチマークにおいて最先端技術よりも優れていた。
  論文  参考訳（メタデータ） (2024-07-21T21:35:01Z)
• Isomorphic Pruning for Vision Models [56.286064975443026]
  構造化プルーニングは、冗長なサブ構造を取り除くことによって、ディープニューラルネットワークの計算オーバーヘッドを低減する。 Isomorphic Pruningは、ネットワークアーキテクチャの範囲で有効性を示すシンプルなアプローチである。
  論文  参考訳（メタデータ） (2024-07-05T16:14:53Z)
• Unifying Invariance and Spuriousity for Graph Out-of-Distribution via Probability of Necessity and Sufficiency [19.49531172542614]
  Invariant Substructure (PNSIS) の抽出に必要かつ十分である確率を利用する統一的な枠組みを提案する。 いくつかのベンチマークでグラフOODの最先端技術よりも優れています。
  論文  参考訳（メタデータ） (2024-02-14T13:31:53Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Meta-Causal Feature Learning for Out-of-Distribution Generalization [71.38239243414091]
  本稿では,協調タスク生成モジュール (BTG) とメタ因果特徴学習モジュール (MCFL) を含む,バランス付きメタ因果学習器 (BMCL) を提案する。 BMCLは、分類のためのクラス不変の視覚領域を効果的に識別し、最先端の手法の性能を向上させるための一般的なフレームワークとして機能する。
  論文  参考訳（メタデータ） (2022-08-22T09:07:02Z)
• Information-theoretic Feature Selection via Tensor Decomposition and Submodularity [38.05393186002834]
  本稿では,全ての変数の結合PMFの低ランクテンソルモデルを導入し,複雑性を緩和し,与えられた特徴量の分類性能を最大化する手法として間接的ターゲットを提案する。 原目標変数の代わりにネイブベイズモデルの潜伏変数を間接的に予測することにより、濃度制約を受ける単調部分モジュラ函数として特徴選択問題を定式化することができる。
  論文  参考訳（メタデータ） (2020-10-30T10:36:46Z)

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。