論文の概要: Feature-Enhanced Graph Neural Networks for Classification of Synthetic Graph Generative Models: A Benchmarking Study

• arxiv url: http://arxiv.org/abs/2512.18524v1
• Date: Sat, 20 Dec 2025 22:44:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.377336
• Title: Feature-Enhanced Graph Neural Networks for Classification of Synthetic Graph Generative Models: A Benchmarking Study
• Title（参考訳）: 合成グラフ生成モデルの分類のための特徴強化グラフニューラルネットワーク:ベンチマークによる検討
• Authors: Janek Dyer, Jagdeep Ahluwalia, Javad Zarrin,
• Abstract要約: 本稿では,GNNとグラフ理論的特徴を組み合わせたハイブリッド手法を用いて,合成グラフファミリーの分類について検討する。 5つの代表的な家系のグラフからなる大規模かつ構造的に多様な合成データセットを生成する。 ノードレベルの特徴の包括範囲をグラフ毎に抽出し,ランダムフォレストに基づく特徴選択パイプラインを用いて解析する。 評価の結果,GraphSAGEとGTNは98.5%の精度で高いクラス分離を達成できた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to discriminate between generative graph models is critical to understanding complex structural patterns in both synthetic graphs and the real-world structures that they emulate. While Graph Neural Networks (GNNs) have seen increasing use to great effect in graph classification tasks, few studies explore their integration with interpretable graph theoretic features. This paper investigates the classification of synthetic graph families using a hybrid approach that combines GNNs with engineered graph-theoretic features. We generate a large and structurally diverse synthetic dataset comprising graphs from five representative generative families, Erdos-Renyi, Watts-Strogatz, Barab'asi-Albert, Holme-Kim, and Stochastic Block Model. These graphs range in size up to 1x10^4 nodes, containing up to 1.1x10^5 edges. A comprehensive range of node and graph level features is extracted for each graph and pruned using a Random Forest based feature selection pipeline. The features are integrated into six GNN architectures: GCN, GAT, GATv2, GIN, GraphSAGE and GTN. Each architecture is optimised for hyperparameter selection using Optuna. Finally, models were compared against a baseline Support Vector Machine (SVM) trained solely on the handcrafted features. Our evaluation demonstrates that GraphSAGE and GTN achieve the highest classification performance, with 98.5% accuracy, and strong class separation evidenced by t-SNE and UMAP visualisations. GCN and GIN also performed well, while GAT-based models lagged due to limitations in their ability to capture global structures. The SVM baseline confirmed the importance of the message passing functionality for performance gains and meaningful class separation.
• Abstract（参考訳）: 生成グラフモデル間で識別する能力は、合成グラフとそれらがエミュレートする実世界の両方の複雑な構造パターンを理解するために重要である。 グラフニューラルネットワーク(GNN)は、グラフ分類タスクにおいて大きな効果を発揮するために利用が増加しているが、解釈可能なグラフ理論機能との統合を探求する研究はほとんどない。 本稿では,GNNとグラフ理論的特徴を組み合わせたハイブリッド手法を用いて,合成グラフファミリーの分類について検討する。 本研究では,エルドス・レニイ,ワッツ・ストロガッツ,バラブアシ・アルベルト,ホルム・キム,ストーシャスティック・ブロック・モデルという5つの代表的な家系のグラフからなる大規模かつ構造的に多様な合成データセットを生成する。 これらのグラフは、最大1.1x10^5のエッジを含む1x10^4ノードまでの大きさである。 グラフ毎に包括的なノードレベルとグラフレベルの特徴を抽出し、ランダムフォレストに基づく特徴選択パイプラインを用いてプルーニングする。 機能はGCN, GAT, GATv2, GIN, GraphSAGE, GTNの6つのGNNアーキテクチャに統合されている。 それぞれのアーキテクチャは、Optunaを使用してハイパーパラメータ選択に最適化される。 最後に、モデルは手作りの機能にのみ訓練されたベースラインのSVM(Support Vector Machine)と比較された。 評価の結果,GraphSAGEとGTNは98.5%の精度で高い分類性能を示し,t-SNEとUMAPの可視化によって強いクラス分離が証明された。 GCNとGINも良好に動作し、GATベースのモデルはグローバルな構造をキャプチャする能力の制限により遅延した。 SVMベースラインは、パフォーマンス向上と意味のあるクラス分離のためのメッセージパッシング機能の重要性を確認した。

関連論文リスト

• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Tensor-Fused Multi-View Graph Contrastive Learning [12.412040359604163]
  グラフコントラッシブラーニング(GCL)は、グラフニューラルネットワーク(GNN)の機能を強化し、ラベルのないグラフ構造化データからリッチな表現を学習するための、有望なアプローチとして登場した。 現在のGCLモデルは、計算要求と限られた機能利用の課題に直面している。 提案するTensorMV-GCLは,拡張された永続的ホモロジーをGCL表現と統合し,マルチスケールな特徴抽出を容易にする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-10-20T01:40:12Z)
• LLM-Based Multi-Agent Systems are Scalable Graph Generative Models [73.28294528654885]
  GraphAgent-Generator (GAG) は動的でテキスト対応のソーシャルグラフ生成のための新しいシミュレーションベースのフレームワークである。 GAGは、ゼロショットソーシャルグラフ生成のための時間ノードとエッジ生成プロセスをシミュレートする。 得られたグラフは7つの主要なマクロ的ネットワーク特性に付着し、微視的グラフ構造測定において11%の改善が達成される。
  論文  参考訳（メタデータ） (2024-10-13T12:57:08Z)
• Examining the Effects of Degree Distribution and Homophily in Graph Learning Models [19.060710813929354]
  GraphWorldは,GNNタスクのベンチマークを行うための,多種多様な合成グラフを生成するソリューションだ。 その成功にもかかわらず、SBMはグラフワールドが生み出すことのできるグラフ構造に根本的な制限を課した。 本研究では,2つの合成グラフ生成器がGraphWorldの評価を改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-07-17T22:35:46Z)
• 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)
• ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
  本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。 複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-10-15T07:18:57Z)
• 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)
• Heterogeneous Graph Transformer [49.675064816860505]
  Webスケールの不均一グラフモデリングのための不均一グラフ変換器(HGT)アーキテクチャ 動的ヘテロジニアスグラフを扱うために、HGTに相対時間符号化手法を導入する。 Web スケールのグラフデータを扱うため,ヘテロジニアスなミニバッチグラフサンプリングアルゴリズム--HGSampling--を設計し,効率的かつスケーラブルなトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-03T04:49:21Z)

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。