論文の概要: Rethinking GNNs and Missing Features: Challenges, Evaluation and a Robust Solution

• arxiv url: http://arxiv.org/abs/2601.04855v1
• Date: Thu, 08 Jan 2026 11:45:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.184563
• Title: Rethinking GNNs and Missing Features: Challenges, Evaluation and a Robust Solution
• Title（参考訳）: GNNを再考する - 課題,評価,ロバストなソリューション
• Authors: Francesco Ferrini, Veronica Lachi, Antonio Longa, Bruno Lepri, Matono Akiyoshi, Andrea Passerini, Xin Liu, Manfred Jaeger,
• Abstract要約: 欠落したノード機能を扱うことは、医療やセンサーネットワークといった現実世界のドメインにグラフニューラルネットワーク(GNN)をデプロイする上で重要な課題である。 既存の研究では、(a)高次元だがスパースなノード特徴を持つベンチマークデータセットと(b)ミス・コンプリート・アット・ランダム(MCAR)メカニズムの下で生成された不完全なデータなど、比較的良質なシナリオに対処している。 この制限を克服するために、我々は1つの合成データセットと3つの実世界のデータセットと、密で意味論的に意味のある特徴を持つ3つの実世界のデータセットを紹介します。
• 参考スコア（独自算出の注目度）: 16.578556763134422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Handling missing node features is a key challenge for deploying Graph Neural Networks (GNNs) in real-world domains such as healthcare and sensor networks. Existing studies mostly address relatively benign scenarios, namely benchmark datasets with (a) high-dimensional but sparse node features and (b) incomplete data generated under Missing Completely At Random (MCAR) mechanisms. For (a), we theoretically prove that high sparsity substantially limits the information loss caused by missingness, making all models appear robust and preventing a meaningful comparison of their performance. To overcome this limitation, we introduce one synthetic and three real-world datasets with dense, semantically meaningful features. For (b), we move beyond MCAR and design evaluation protocols with more realistic missingness mechanisms. Moreover, we provide a theoretical background to state explicit assumptions on the missingness process and analyze their implications for different methods. Building on this analysis, we propose GNNmim, a simple yet effective baseline for node classification with incomplete feature data. Experiments show that GNNmim is competitive with respect to specialized architectures across diverse datasets and missingness regimes.
• Abstract（参考訳）: 欠落したノード機能を扱うことは、医療やセンサーネットワークといった現実世界のドメインにグラフニューラルネットワーク(GNN)をデプロイする上で重要な課題である。 既存の研究は、主に比較的良質なシナリオ、すなわちベンチマークデータセットに対処している。 (a)高次元だがスパースノードの特徴と (b)ミス・コンプリート・アット・ランダム(MCAR)メカニズムの下で生成された不完全なデータ。 対訳 対訳 対訳 対訳 対訳 対訳 対 (a) 理論上, 疎度が高いと欠落による情報損失が著しく制限されることを証明し, 全てのモデルが頑健に見え, 性能の有意義な比較を防止できることを示した。 この制限を克服するために、密集した意味的に意味のある特徴を持つ1つの合成データセットと3つの実世界のデータセットを導入します。 対訳 対訳 対訳 対訳 対訳 対訳 対 b) より現実的な欠落メカニズムを持つMCARや設計評価プロトコルを超越する。 さらに,不足過程の明示的な仮定を記述し,その影響を異なる手法で解析する理論的背景を提供する。 この分析に基づいて,不完全特徴データを用いたノード分類のための簡易かつ効果的なベースラインであるGNNmimを提案する。 実験により、GNNmimは多様なデータセットや欠落状況にまたがる特殊なアーキテクチャに対して競争力があることが示されている。

関連論文リスト

• ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion [73.85920403511706]
  スケーラブルで効果的なグラフ学習のためのマルチホップノード機能を適応的に融合する新しいフレームワークであるScaleGNNを提案する。 予測精度と計算効率の両面で,ScaleGNNは最先端のGNNよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-22T14:05:11Z)
• Generalization of Graph Neural Networks is Robust to Model Mismatch [84.01980526069075]
  グラフニューラルネットワーク(GNN)は、その一般化能力によってサポートされている様々なタスクにおいて、その効果を実証している。 本稿では,多様体モデルから生成される幾何グラフで動作するGNNについて検討する。 本稿では,そのようなモデルミスマッチの存在下でのGNN一般化の堅牢性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T16:00:44Z)
• xAI-Drop: Don't Use What You Cannot Explain [23.33477769275026]
  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学習するための主要なパラダイムとして登場した。 GNNは、一般化の欠如や解釈可能性の低下といった課題に直面している。 トポロジカルレベル降下正則化器であるxAI-Dropを導入する。
  論文  参考訳（メタデータ） (2024-07-29T14:53:45Z)
• A Model-Agnostic Graph Neural Network for Integrating Local and Global Information [2.6164652182042505]
  グラフニューラルネットワーク(GNN)は、さまざまなグラフにフォーカスしたタスクにおいて、有望なパフォーマンスを実現している。 既存のGNNには、ブラックボックスの性質による結果の解釈可能性の欠如と、さまざまな順序の表現を学べないという2つの大きな制限がある。 本稿では,様々な順序の情報を効果的に統合し,高次隣人から知識を抽出し,影響力のあるコンパクトグラフ構造を同定して有意義かつ解釈可能な結果を提供する,モデル非依存型グラフニューラルネットワーク(MaGNet)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-23T19:07:03Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Joint Edge-Model Sparse Learning is Provably Efficient for Graph Neural Networks [89.28881869440433]
  本稿では,グラフニューラルネットワーク(GNN)における結合エッジモデルスパース学習の理論的特徴について述べる。 解析学的には、重要なノードをサンプリングし、最小のマグニチュードでプルーニングニューロンをサンプリングすることで、サンプルの複雑さを減らし、テスト精度を損なうことなく収束を改善することができる。
  論文  参考訳（メタデータ） (2023-02-06T16:54:20Z)
• Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
  ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。 本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。 他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。 驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
  論文  参考訳（メタデータ） (2021-10-21T07:28:11Z)

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。