論文の概要: Graph Neural Networks for Source Detection: A Review and Benchmark Study

• arxiv url: http://arxiv.org/abs/2512.20657v1
• Date: Thu, 18 Dec 2025 10:22:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.542333
• Title: Graph Neural Networks for Source Detection: A Review and Benchmark Study
• Title（参考訳）: ソース検出のためのグラフニューラルネットワーク:レビューとベンチマーク研究
• Authors: Martin Sterchi, Nathan Brack, Lorenz Hilfiker,
• Abstract要約: ソース検出のアプローチとしてグラフニューラルネットワーク(GNN)が提案されている。 GNNは、さまざまなネットワークタイプでテストする他のメソッドよりも大幅に優れています。
• 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 source detection problem arises when an epidemic process unfolds over a contact network, and the objective is to identify its point of origin, i.e., the source node. Research on this problem began with the seminal work of Shah and Zaman in 2010, who formally defined it and introduced the notion of rumor centrality. With the emergence of Graph Neural Networks (GNNs), several studies have proposed GNN-based approaches to source detection. However, some of these works lack methodological clarity and/or are hard to reproduce. As a result, it remains unclear (to us, at least) whether GNNs truly outperform more traditional source detection methods across comparable settings. In this paper, we first review existing GNN-based methods for source detection, clearly outlining the specific settings each addresses and the models they employ. Building on this research, we propose a principled GNN architecture tailored to the source detection task. We also systematically investigate key questions surrounding this problem. Most importantly, we aim to provide a definitive assessment of how GNNs perform relative to other source detection methods. Our experiments show that GNNs substantially outperform all other methods we test across a variety of network types. Although we initially set out to challenge the notion of GNNs as a solution to source detection, our results instead demonstrate their remarkable effectiveness for this task. We discuss possible reasons for this strong performance. To ensure full reproducibility, we release all code and data on GitHub. Finally, we argue that epidemic source detection should serve as a benchmark task for evaluating GNN architectures.
• Abstract（参考訳）: ソース検出問題は、感染が接触ネットワーク上に広がると発生し、その原因点、すなわちソースノードを特定することである。 この問題の研究は、シャとザマンの2010年の独創的な研究から始まり、彼はそれを正式に定義し、噂中心性の概念を導入した。 グラフニューラルネットワーク(GNN)の出現に伴い、複数の研究がソース検出に対するGNNベースのアプローチを提案している。 しかし、これらの作品には方法論的な明快さが欠けているものや、再現が難しいものもある。 結果として、GNNが従来のソース検出方法よりも優れているかどうか(少なくとも私たちにとって)は、まだ不明である。 本稿では,まず,既存のGNNベースのソース検出手法について概説し,各アドレスの特定の設定と,それらが採用するモデルについて概説する。 本研究では,ソース検出作業に適したGNNアーキテクチャを提案する。 また,この問題を取り巻く重要な問題についても系統的に検討する。 最も重要なことは、GNNが他のソース検出方法と比較してどのように機能するかを確定的に評価することである。 実験により、GNNは、さまざまなネットワークタイプでテストする他の方法よりも大幅に優れています。 当初我々は、ソース検出のソリューションとしてGNNの概念に挑戦しようとしたが、その代わりに、この課題に対する彼らの顕著な効果を実証した。 この強いパフォーマンスの潜在的な理由について論じる。 完全な再現性を確保するため、GitHubですべてのコードとデータを公開しています。 最後に、GNNアーキテクチャを評価するためのベンチマークタスクとして、流行源検出が役立てるべきである、と論じる。

関連論文リスト

• Finding Counterfactual Evidences for Node Classification [11.652111338324358]
  本稿では,GNNに基づくノード分類タスクにおいて,逆実効的な証拠を探索する問題を紹介し,解決する。 反事実的証拠は、それらが特徴と近傍のサブグラフ構造の両方において大きな類似性を示すにもかかわらず、GNNによって異なる分類がなされる、一対のノードである。 本研究では, ノード特徴と構造情報の両方を活用して, 対実的証拠を同定する, 効率的かつ効率的な探索アルゴリズムと, 新たな索引付けソリューションを開発する。
  論文  参考訳（メタデータ） (2025-05-16T16:02:39Z)
• GIN-SD: Source Detection in Graphs with Incomplete Nodes via Positional Encoding and Attentive Fusion [16.19840685244741]
  グラフにおけるソース検出は、噂ソース識別の領域において堅牢な有効性を示している。 近年のソリューションでは、ディープニューラルネットワークを活用することでパフォーマンスが向上しているが、完全なユーザデータを必要とすることが多い。 位置と注意融合(GIN-SD)による不完全なノードを持つグラフのソース検出という,新たなフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-27T09:35:54Z)
• When Graph Neural Network Meets Causality: Opportunities, Methodologies and An Outlook [23.45046265345568]
  グラフニューラルネットワーク(GNN)は、さまざまなグラフ構造化データ内の複雑な依存関係をキャプチャする強力な表現学習ツールとして登場した。 GNNは、分布シフトへの感受性、特定の人口への偏見、説明責任の欠如など、信頼性に関する深刻な懸念を提起している。 因果学習技術をGNNに統合することは、多くのGNNの信頼性の問題を軽減することができるため、多くの画期的な研究を引き起こしている。
  論文  参考訳（メタデータ） (2023-12-19T13:26:14Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Zero-shot Domain Adaptation of Heterogeneous Graphs via Knowledge Transfer Networks [72.82524864001691]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、強力な表現学習技術として優れた性能を示している。 異なるノードタイプにルートされたラベルを使って直接学習する方法はありません。 本研究では,HGNN(HGNN-KTN)のための新しいドメイン適応手法である知識伝達ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-03T21:00:23Z)
• Identity-aware Graph Neural Networks [63.6952975763946]
  グラフニューラルネットワーク(ID-GNN)を1-WLテストよりも表現力の高いメッセージクラスを開発しています。 ID-GNNは、メッセージパッシング中にノードのIDを誘導的に考慮することにより、既存のGNNアーキテクチャを拡張します。 既存のGNNをID-GNNに変換すると、挑戦ノード、エッジ、グラフプロパティ予測タスクの平均40%の精度が向上することを示す。
  論文  参考訳（メタデータ） (2021-01-25T18:59:01Z)
• Fast Learning of Graph Neural Networks with Guaranteed Generalizability: One-hidden-layer Case [93.37576644429578]
  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から実際に学習する上で、近年大きな進歩を遂げている。 回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
  論文  参考訳（メタデータ） (2020-06-25T00:45:52Z)
• Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection [78.88163190021798]
  不整合問題に対処するために、新しいGNNフレームワークである$mathsfGraphConsis$を導入します。 4つのデータセットの実証分析は、不正検出タスクにおいて不整合の問題が不可欠であることを示唆している。 我々はまた、SOTAモデルを実装したGNNベースの不正検出ツールボックスもリリースした。
  論文  参考訳（メタデータ） (2020-05-01T21:43:58Z)

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。