論文の概要: Sparse Bayesian Message Passing under Structural Uncertainty

• arxiv url: http://arxiv.org/abs/2601.01207v1
• Date: Sat, 03 Jan 2026 15:16:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.082489
• Title: Sparse Bayesian Message Passing under Structural Uncertainty
• Title（参考訳）: Sparse Bayesian Message Passing under Structure Uncertainity (特集:Sparse Bayesian Message Passing)
• Authors: Yoonhyuk Choi, Jiho Choi, Chanran Kim, Yumin Lee, Hawon Shin, Yeowon Jeon, Minjeong Kim, Jiwoo Kang,
• Abstract要約: 実世界のグラフに関する半教師付き学習は、観測されたグラフが信頼できない、あるいはラベル不合理なヘテロフィリーによってしばしば挑戦される。 多くの既存のグラフニューラルネットワークは、固定された隣接構造に依存するか、正規化によって構造ノイズを処理しようとする。 符号付き隣接行列上の後続分布をモデル化することにより、構造的不確実性を明示的に把握し、各エッジが正、負、欠落することを可能にする。
• 参考スコア（独自算出の注目度）: 12.402205032785497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning on real-world graphs is frequently challenged by heterophily, where the observed graph is unreliable or label-disassortative. Many existing graph neural networks either rely on a fixed adjacency structure or attempt to handle structural noise through regularization. In this work, we explicitly capture structural uncertainty by modeling a posterior distribution over signed adjacency matrices, allowing each edge to be positive, negative, or absent. We propose a sparse signed message passing network that is naturally robust to edge noise and heterophily, which can be interpreted from a Bayesian perspective. By combining (i) posterior marginalization over signed graph structures with (ii) sparse signed message aggregation, our approach offers a principled way to handle both edge noise and heterophily. Experimental results demonstrate that our method outperforms strong baseline models on heterophilic benchmarks under both synthetic and real-world structural noise.
• Abstract（参考訳）: 実世界のグラフに関する半教師付き学習は、観測されたグラフが信頼できない、あるいはラベル不合理なヘテロフィリーによってしばしば挑戦される。 多くの既存のグラフニューラルネットワークは、固定された隣接構造に依存するか、正規化によって構造ノイズを処理しようとする。 本研究では,符号付き隣接行列上の後続分布をモデル化することにより構造的不確実性を明示的に把握し,各エッジが正,負,欠落することを可能にする。 本稿では,ベイズ的視点から解釈可能な,エッジノイズやヘテロフィリーに対して自然に堅牢な疎結合メッセージパッシングネットワークを提案する。 組み合わせること 一 符号付きグラフ構造上の後縁化 (II) 疎結合なメッセージアグリゲーションでは, エッジノイズとヘテロフィリーの両方を扱うための基本的手法が提供される。 実験により, 本手法は, ヘテロ親水性ベンチマークにおいて, 合成騒音と実環境騒音の両面において, 強いベースラインモデルより優れていることを示した。

関連論文リスト

• DAG DECORation: Continuous Optimization for Structure Learning under Hidden Confounding [0.0]
  本研究では, 線形ガウスSEMの構造学習について検討した。 我々は,DAGと相関雑音モデルとを共同で学習する単一の可能性に基づく推定器であるtextscDECORを提案する。
  論文  参考訳（メタデータ） (2025-10-02T15:23:30Z)
• A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
  署名されたグラフの枠組みに基づく統一的な理論的視点を示す。 既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。 本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:25:36Z)
• Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
  本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-02T12:47:49Z)
• Structure-Aware Robustness Certificates for Graph Classification [13.643197515573029]
  グラフベースの機械学習モデルの堅牢性を証明することは、安全性にとって重要な課題である。 入力グラフ構造に異方性雑音分布を付加したランダムな平滑化法を開発した。 我々のプロセスは、分類器のための構造認識証明書を生成し、これにより、グラフの様々な事前定義された構造に対して、ロバスト性証明書の規模が変化することを示す。
  論文  参考訳（メタデータ） (2023-06-20T22:01:37Z)
• Heterophily-Aware Graph Attention Network [42.640057865981156]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。 既存のヘテロフィル性GNNは、各エッジのヘテロフィリのモデリングを無視する傾向にあり、これはヘテロフィリ問題に取り組む上でも不可欠である。 本稿では,局所分布を基礎となるヘテロフィリーとして完全に探索し,活用することで,新たなヘテロフィア対応グラフ注意ネットワーク(HA-GAT)を提案する。
  論文  参考訳（メタデータ） (2023-02-07T03:21:55Z)
• Alleviating neighbor bias: augmenting graph self-supervise learning with structural equivalent positive samples [1.0507062889290775]
  グラフ表現学習のための信号駆動型自己教師方式を提案する。 トポロジカル情報誘導構造等価サンプリング戦略を用いる。 その結果,モデルの性能を効果的に改善できることが示唆された。
  論文  参考訳（メタデータ） (2022-12-08T16:04:06Z)
• Local Graph-homomorphic Processing for Privatized Distributed Systems [57.14673504239551]
  付加雑音は学習モデルの性能に影響を与えないことを示す。 これは、分散アルゴリズムの差分プライバシーに関する以前の研究に対して、大きな改善である。
  論文  参考訳（メタデータ） (2022-10-26T10:00:14Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Learning Node Representations from Noisy Graph Structures [38.32421350245066]
  現実のネットワークではノイズが広まっており、ネットワークを危険にさらしている。 本研究では,ノイズのないノード表現を学習し,同時にノイズを除去する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-04T07:18:39Z)

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。