論文の概要: Can TabPFN Compete with GNNs for Node Classification via Graph Tabularization?

• arxiv url: http://arxiv.org/abs/2512.08798v1
• Date: Tue, 09 Dec 2025 16:51:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:08.053077
• Title: Can TabPFN Compete with GNNs for Node Classification via Graph Tabularization?
• Title（参考訳）: TabPFNはグラフタブラリゼーションによるノード分類にGNNと競合できるか?
• Authors: Jeongwhan Choi, Woosung Kang, Minseo Kim, Jongwoo Kim, Noseong Park,
• Abstract要約: 本稿では,ノード属性と構造特性を抽出してグラフデータを表特徴に変換するTabPFN-GNを提案する。 12のベンチマークデータセットを用いた実験により,TabPFN-GNは同好グラフ上のGNNと競合する性能を示し,不好グラフ上でのGNNよりも一貫して優れることがわかった。
• 参考スコア（独自算出の注目度）: 31.75541440214278
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models pretrained on large data have demonstrated remarkable zero-shot generalization capabilities across domains. Building on the success of TabPFN for tabular data and its recent extension to time series, we investigate whether graph node classification can be effectively reformulated as a tabular learning problem. We introduce TabPFN-GN, which transforms graph data into tabular features by extracting node attributes, structural properties, positional encodings, and optionally smoothed neighborhood features. This enables TabPFN to perform direct node classification without any graph-specific training or language model dependencies. Our experiments on 12 benchmark datasets reveal that TabPFN-GN achieves competitive performance with GNNs on homophilous graphs and consistently outperforms them on heterophilous graphs. These results demonstrate that principled feature engineering can bridge the gap between tabular and graph domains, providing a practical alternative to task-specific GNN training and LLM-dependent graph foundation models.
• Abstract（参考訳）: 大規模データで事前訓練された基礎モデルは、ドメイン間で顕著なゼロショットの一般化能力を示している。 グラフデータに対するTabPFNの成功と最近の時系列への拡張に基づいて,グラフノードの分類を表型学習問題として効果的に再構成できるかどうかを検討する。 グラフデータをグラフ特徴に変換するTabPFN-GNを導入し、ノード属性、構造特性、位置エンコーディング、オプションでスムーズな近傍特徴を抽出する。 これによってTabPFNは、グラフ固有のトレーニングや言語モデルに依存しない、直接的なノード分類を実行できるようになる。 12のベンチマークデータセットを用いた実験により,TabPFN-GNは同好グラフ上のGNNと競合する性能を示し,ヘテロ親和グラフ上のGNNよりも一貫して優れることがわかった。 これらの結果は,基本機能工学が表領域とグラフ領域のギャップを埋める可能性を示し,タスク固有のGNNトレーニングやLLM依存グラフ基盤モデルに代わる実用的な代替手段を提供する。

関連論文リスト

• Bringing Graphs to the Table: Zero-shot Node Classification via Tabular Foundation Models [13.832068659130705]
  グラフ学習手法であるTAGを導入し,まず特徴および構造エンコーダを用いてグラフをテーブルに変換し,様々なサブサンプルテーブルに複数のFMを適用し,アンサンブル選択により出力を集約する。 28の実世界のデータセットの実験では、TAGはタスク固有のGNNと最先端のGFMを一貫して改善している。
  論文  参考訳（メタデータ） (2025-09-08T18:48:26Z)
• You do not have to train Graph Neural Networks at all on text-attributed graphs [25.044734252779975]
  我々は、同じクラスからのテキストエンコーディングがしばしば線形部分空間に集約されるという観察に乗じて、線形GNNモデルであるTrainlessGNNを紹介した。 実験の結果、私たちのトレインレスモデルは、従来の訓練済みのモデルにマッチするか、超えられることがわかった。
  論文  参考訳（メタデータ） (2024-04-17T02:52:11Z)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• 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)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)

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。