論文の概要: Key Principles of Graph Machine Learning: Representation, Robustness, and Generalization

• arxiv url: http://arxiv.org/abs/2602.01139v1
• Date: Sun, 01 Feb 2026 10:21:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.620734
• Title: Key Principles of Graph Machine Learning: Representation, Robustness, and Generalization
• Title（参考訳）: グラフ機械学習の鍵となる原理:表現、ロバスト性、一般化
• Authors: Yassine Abbahaddou,
• Abstract要約: グラフニューラルネットワーク(GNN)は、構造化データから表現を学習するための強力なツールとして登場した。 さまざまなアプリケーションで人気が高まり、成功しているにもかかわらず、GNNはパフォーマンスを制限するいくつかの課題に直面している。 私の仕事は、GNNの限界とポテンシャルをより原則的に理解しています。
• 参考スコア（独自算出の注目度）: 2.0917449835910404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have emerged as powerful tools for learning representations from structured data. Despite their growing popularity and success across various applications, GNNs encounter several challenges that limit their performance. in their generalization, robustness to adversarial perturbations, and the effectiveness of their representation learning capabilities. In this dissertation, I investigate these core aspects through three main contributions: (1) developing new representation learning techniques based on Graph Shift Operators (GSOs, aiming for enhanced performance across various contexts and applications, (2) introducing generalization-enhancing methods through graph data augmentation, and (3) developing more robust GNNs by leveraging orthonormalization techniques and noise-based defenses against adversarial attacks. By addressing these challenges, my work provides a more principled understanding of the limitations and potential of GNNs.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、構造化データから表現を学習するための強力なツールとして登場した。 さまざまなアプリケーションで人気が高まり、成功しているにもかかわらず、GNNはパフォーマンスを制限するいくつかの課題に直面している。 彼らの一般化、敵の摂動に対する堅牢性、そして彼らの表現学習能力の有効性。 本論では,(1)グラフシフト演算子(GSO)に基づく新しい表現学習手法の開発,(2)グラフデータ拡張による一般化エンハンス手法の導入,(3)正則化技術を活用することで,より堅牢なGNNの開発など,3つの主要な貢献を通して,これらの中核的な側面を考察する。 これらの課題に対処することで、私の仕事はGNNの限界とポテンシャルをより原則的に理解します。

関連論文リスト

• Unifying Adversarial Perturbation for Graph Neural Networks [46.74046710620528]
  本稿では,ノードの特徴やグラフ構造に対する敵対攻撃に対するグラフニューラルネットワーク(GNN)の脆弱性について検討する。 本稿では、敵の摂動と訓練を統合したPerturbEmbeddingを提案し、そのような攻撃に対するGNNの弾力性を高める。 我々は、PerturbEmbeddingがGNNの堅牢性と一般化能力の両方を大幅に改善し、既存の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-08-30T06:53:36Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• A General Recipe for Contractive Graph Neural Networks -- Technical Report [4.14360329494344]
  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の表現を学習することで大きな人気を集めている。 GNNは、しばしば、安定性、一般化、およびノイズや敵の攻撃に対する堅牢性に関連する課題に直面している。 本稿では, SVD正則化により, 任意のGNNの収縮挙動を誘導する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-04T00:05:21Z)
• Future Directions in the Theory of Graph Machine Learning [49.049992612331685]
  グラフ上の機械学習、特にグラフニューラルネットワーク(GNN)を使用すると、グラフデータが広く利用できるため、関心が高まっている。 実際の成功にもかかわらず、GNNの特性に関する理論的理解は非常に不完全である。
  論文  参考訳（メタデータ） (2024-02-03T22:55:31Z)
• Learning How to Propagate Messages in Graph Neural Networks [55.2083896686782]
  本稿では,グラフニューラルネットワーク(GNN)におけるメッセージ伝搬戦略の学習問題について検討する。 本稿では,GNNパラメータの最大類似度推定を支援するために,最適伝搬ステップを潜時変数として導入する。 提案フレームワークは,GNNにおけるメッセージのパーソナライズおよび解釈可能な伝達戦略を効果的に学習することができる。
  論文  参考訳（メタデータ） (2023-10-01T15:09:59Z)
• The Expressive Power of Graph Neural Networks: A Survey [8.652204270723994]
  定義の異なる表現力向上モデルに関する第1回調査を行う。 モデルは、グラフ機能拡張、グラフトポロジ拡張、GNNアーキテクチャ拡張という3つのカテゴリに基づいてレビューされる。
  論文  参考訳（メタデータ） (2023-08-16T09:12:21Z)
• A Survey on Explainability of Graph Neural Networks [4.612101932762187]
  グラフニューラルネットワーク(GNN)は、グラフベースの強力なディープラーニングモデルである。 本調査は,GNNの既存の説明可能性技術の概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2023-06-02T23:36:49Z)
• 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)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• CAP: Co-Adversarial Perturbation on Weights and Features for Improving Generalization of Graph Neural Networks [59.692017490560275]
  敵の訓練は、敵の攻撃に対するモデルの堅牢性を改善するために広く実証されてきた。 グラフ解析問題におけるGNNの一般化能力をどのように改善するかは、まだ不明である。 我々は、重みと特徴量の観点から共振器摂動(CAP)最適化問題を構築し、重みと特徴の損失を交互に平らにする交互対振器摂動アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-10-28T02:28:13Z)

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。