論文の概要: GraIP: A Benchmarking Framework For Neural Graph Inverse Problems

• arxiv url: http://arxiv.org/abs/2601.18917v1
• Date: Mon, 26 Jan 2026 19:28:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.04319
• Title: GraIP: A Benchmarking Framework For Neural Graph Inverse Problems
• Title（参考訳）: GraIP: ニューラルネットワークの逆問題に対するベンチマークフレームワーク
• Authors: Semih Cantürk, Andrei Manolache, Arman Mielke, Chendi Qian, Antoine Siraudin, Christopher Morris, Mathias Niepert, Guy Wolf,
• Abstract要約: 本稿では,多種多様なグラフ学習タスクを逆問題として定式化し,再編成するニューラルグラフ逆問題の概念的枠組みを紹介する。 本稿では,グラフ学習タスクにおけるGraIPの汎用性を示す。
• 参考スコア（独自算出の注目度）: 31.17028900874544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A wide range of graph learning tasks, such as structure discovery, temporal graph analysis, and combinatorial optimization, focus on inferring graph structures from data, rather than making predictions on given graphs. However, the respective methods to solve such problems are often developed in an isolated, task-specific manner and thus lack a unifying theoretical foundation. Here, we provide a stepping stone towards the formation of such a foundation and further development by introducing the Neural Graph Inverse Problem (GraIP) conceptual framework, which formalizes and reframes a broad class of graph learning tasks as inverse problems. Unlike discriminative approaches that directly predict target variables from given graph inputs, the GraIP paradigm addresses inverse problems, i.e., it relies on observational data and aims to recover the underlying graph structure by reversing the forward process, such as message passing or network dynamics, that produced the observed outputs. We demonstrate the versatility of GraIP across various graph learning tasks, including rewiring, causal discovery, and neural relational inference. We also propose benchmark datasets and metrics for each GraIP domain considered, and characterize and empirically evaluate existing baseline methods used to solve them. Overall, our unifying perspective bridges seemingly disparate applications and provides a principled approach to structural learning in constrained and combinatorial settings while encouraging cross-pollination of existing methods across graph inverse problems.
• Abstract（参考訳）: 構造探索、時間グラフ解析、組合せ最適化などの幅広いグラフ学習タスクは、与えられたグラフの予測を行うのではなく、データからグラフ構造を推測することに焦点を当てている。 しかし、これらの問題の解法は、しばしば孤立したタスク固有の方法で開発され、したがって統一された理論基盤が欠如している。 本稿では,グラフ学習タスクの幅広いクラスを逆問題として定式化し再編成する,ニューラルグラフ逆問題(GraIP)の概念フレームワークを導入することにより,そのような基盤の形成とさらなる発展に向けた足場を提供する。 与えられたグラフ入力からターゲット変数を直接予測する識別的アプローチとは異なり、GraIPパラダイムは逆問題、すなわち観測データに依存し、観測された出力を生成するメッセージパッシングやネットワークダイナミクスなどの前処理を反転させることで、基礎となるグラフ構造を復元することを目的としている。 本稿では,グラフ学習タスクにおけるGraIPの汎用性を示す。 また、検討した各GraIPドメインに対するベンチマークデータセットとメトリクスを提案し、それを解決するために使用されている既存のベースライン手法を特徴付け、実証的に評価する。 全体として、我々の統合された視点ブリッジは、異なるアプリケーションのように見え、制約付きおよび組合せ的な設定における構造学習に対する原則的なアプローチを提供しながら、グラフ逆問題に対する既存のメソッドの相互補間を奨励する。

関連論文リスト

• Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
  大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。 この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
  論文  参考訳（メタデータ） (2024-08-26T06:36:42Z)
• Graph Reinforcement Learning for Combinatorial Optimization: A Survey and Unifying Perspective [6.199818486385127]
  我々は、強化学習の試行錯誤パラダイムを用いて、より良い意思決定戦略を発見する。 この研究は、パフォーマンスアルゴリズムが典型的に知られていない非標準グラフ問題に焦点を当てている。
  論文  参考訳（メタデータ） (2024-04-09T17:45:25Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)

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。