論文の概要: Drop the mask! GAMM-A Taxonomy for Graph Attributes Missing Mechanisms

• arxiv url: http://arxiv.org/abs/2602.08407v1
• Date: Mon, 09 Feb 2026 09:12:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.142426
• Title: Drop the mask! GAMM-A Taxonomy for Graph Attributes Missing Mechanisms
• Title（参考訳）: GAMM-グラフ属性によるミス機構の分類
• Authors: Richard Serrano, Baptiste Jeudy, Charlotte Laclau, Christine Largeron,
• Abstract要約: GAMM(Graph Attributes Missing Mechanisms)は、ノード属性と基礎となるグラフ構造の両方に欠落確率をリンクするフレームワークである。 従来のマスクでは有効だが、より現実的なグラフ認識の不足シナリオに直面した場合には、かなり苦労する。
• 参考スコア（独自算出の注目度）: 2.1806414691083904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exploring missing data in attributed graphs introduces unique challenges beyond those found in tabular datasets. In this work, we extend the taxonomy for missing data mechanisms to attributed graphs by proposing GAMM (Graph Attributes Missing Mechanisms), a framework that systematically links missingness probability to both node attributes and the underlying graph structure. Our taxonomy enriches the conventional definitions of masking mechanisms by introducing graph-specific dependencies. We empirically demonstrate that state-of-the-art imputation methods, while effective on traditional masks, significantly struggle when confronted with these more realistic graph-aware missingness scenarios.
• Abstract（参考訳）: 属性付きグラフで欠落したデータを調べることは、表のデータセットにあるものを超える、ユニークな課題をもたらす。 本研究では,ノード属性とグラフ構造の両方に欠落確率を体系的にリンクするGAMM(Graph Attributes Missing Mechanisms)を提案することによって,欠落データ機構の分類を属性グラフに拡張する。 我々の分類学は、グラフ固有の依存関係を導入することで、従来のマスキング機構の定義を豊かにする。 従来のマスクでは有効だが、これらの現実的なグラフ認識の欠如シナリオに直面すると、かなり苦労する。

関連論文リスト

• Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification [81.06278257153835]
  本稿では,構造的ボトルネック低減とグラフ特性保存のバランスをとるグラフ再構成手法を提案する。 本手法は、疎性を維持しながら接続性を高めたグラフを生成し、元のグラフスペクトルを大半保存する。
  論文  参考訳（メタデータ） (2025-06-19T08:01:00Z)
• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• Graph Attention is Not Always Beneficial: A Theoretical Analysis of Graph Attention Mechanisms via Contextual Stochastic Block Models [8.098074314691125]
  構造ノイズが特徴雑音を超えると,グラフアテンション機構により分類性能が向上することを示す。 本稿では,単一層GATよりも優れたマルチレイヤグラフアテンションネットワーク(GAT)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-20T02:22:38Z)
• Hi-GMAE: Hierarchical Graph Masked Autoencoders [90.30572554544385]
  階層型グラフマスク付きオートエンコーダ(Hi-GMAE) Hi-GMAEは、グラフ内の階層構造を扱うために設計された、新しいマルチスケールGMAEフレームワークである。 15のグラフデータセットに対する実験は、Hi-GMAEが17の最先端の自己管理競合より優れていることを一貫して示している。
  論文  参考訳（メタデータ） (2024-05-17T09:08:37Z)
• Multi-Layer Attention-Based Explainability via Transformers for Tabular Data [11.866061471514582]
  グラフ指向の注意に基づく表データの説明可能性法を提案する。 すべての頭とレイヤーの注意行列を考慮に入れます。 多層アテンションに基づく説明の質を評価するために、一般的なアテンション、勾配、摂動に基づく説明可能性法と比較する。
  論文  参考訳（メタデータ） (2023-02-28T03:28:18Z)
• Graph Pooling with Maximum-Weight $k$-Independent Sets [12.251091325930837]
  最大ウェイト$k$非依存集合のグラフ理論的概念に基づくグラフ粗化機構を導入する。 我々は、経路長の歪み境界の理論的保証と、粗化グラフにおける重要な位相特性を保存できることを証明した。
  論文  参考訳（メタデータ） (2022-08-06T14:12:47Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
  グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。 本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。 いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
  論文  参考訳（メタデータ） (2020-03-10T02:33:14Z)

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。