論文の概要: Property-Driven Evaluation of GNN Expressiveness at Scale: Datasets, Framework, and Study

• arxiv url: http://arxiv.org/abs/2603.00044v1
• Date: Mon, 09 Feb 2026 07:19:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:07.989641
• Title: Property-Driven Evaluation of GNN Expressiveness at Scale: Datasets, Framework, and Study
• Title（参考訳）: 大規模GNN表現性の特性駆動評価:データセット,フレームワーク,研究
• Authors: Sicong Che, Jiayi Yang, Sarfraz Khurshid, Wenxi Wang,
• Abstract要約: 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処理において大きな成功を収めている。 本研究では, 形式的仕様, 体系的評価, 実証研究に基づく特性駆動評価手法を開発した。 我々は,グローバルプール法がGNN表現性に与える影響について,初めて包括的な研究を行った。
• 参考スコア（独自算出の注目度）: 4.596496450055493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advancing trustworthy AI requires principled software engineering approaches to model evaluation. Graph Neural Networks (GNNs) have achieved remarkable success in processing graph-structured data, however, their expressiveness in capturing fundamental graph properties remains an open challenge. We address this by developing a property-driven evaluation methodology grounded in formal specification, systematic evaluation, and empirical study. Leveraging Alloy, a software specification language and analyzer, we introduce a configurable graph dataset generator that produces two dataset families: GraphRandom, containing diverse graphs that either satisfy or violate specific properties, and GraphPerturb, introducing controlled structural variations. Together, these benchmarks encompass 336 new datasets, each with at least 10,000 labeled graphs, covering 16 fundamental graph properties critical to distributed systems, knowledge graphs, and biological networks. We propose a general evaluation framework that assesses three key aspects of GNN expressiveness: generalizability, sensitivity, and robustness, with two novel quantitative metrics. Using this framework, we conduct the first comprehensive study on global pooling methods' impact on GNN expressiveness. Our findings reveal distinct trade-offs: attention-based pooling excels in generalization and robustness, while second-order pooling provides superior sensitivity, but no single approach consistently performs well across all properties. These insights highlight fundamental limitations and open research directions including adaptive property-aware pooling, scale-sensitive architectures, and robustness-oriented training. By embedding software engineering rigor into AI evaluation, this work establishes a principled foundation for developing expressive and reliable GNN architectures.
• Abstract（参考訳）: 信頼できるAIの進化には、モデル評価に原則化されたソフトウェアエンジニアリングアプローチが必要である。 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処理において顕著な成功を収めているが、基本的なグラフ特性の取得における表現力は依然としてオープンな課題である。 本研究では, 形式的仕様, 体系的評価, 実証研究に基づく特性駆動評価手法を開発することで, この問題に対処する。 ソフトウェア仕様言語とアナライザであるLevanging Alloyでは、GraphRandomとGraphPerturbという2つのデータセットファミリを生成する構成可能なグラフデータセットジェネレータを導入しています。 これらのベンチマークには336の新しいデータセットが含まれており、それぞれに少なくとも10,000のラベル付きグラフがあり、分散システム、ナレッジグラフ、生物学的ネットワークに不可欠な16の基本的なグラフ特性を含んでいる。 本稿では,GNN表現性の3つの重要な側面(一般化可能性,感度,堅牢性)を2つの新しい定量的指標を用いて評価する。 この枠組みを用いて,グローバルプール法がGNN表現性に与える影響について,初めて包括的な研究を行った。 注意に基づくプーリングは一般化とロバスト性に優れ、二階のプーリングは優れた感度を提供するが、全ての特性に対して一貫してうまく機能するアプローチは存在しない。 これらの洞察は、適応的なプロパティ認識プーリング、スケール敏感なアーキテクチャ、ロバストネス指向のトレーニングなど、基本的な制限とオープンな研究方向を強調している。 この研究は、ソフトウェアエンジニアリングの厳格さをAI評価に組み込むことで、表現的で信頼性の高いGNNアーキテクチャを開発するための原則的な基盤を確立する。

関連論文リスト

• The Underappreciated Power of Vision Models for Graph Structural Understanding [28.781392309798672]
  グラフニューラルネットワークはボトムアップメッセージパッシングを通じて動作し、人間の視覚的知覚と根本的に異なる。 グラフ理解のための視覚モデルの未熟な可能性について検討し、既存のベンチマークでGNNに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2025-10-27T05:11:44Z)
• GraphUniverse: Enabling Systematic Evaluation of Inductive Generalization [8.95975918626961]
  GraphUniverseはグラフの全ファミリーを生成するためのフレームワークである。 これにより、スケールでの帰納的一般化の最初の体系的評価が可能になる。 私たちの中心となるイノベーションは、永続的なセマンティックなコミュニティを持つグラフの生成です。
  論文  参考訳（メタデータ） (2025-09-25T12:46:01Z)
• Graph Foundation Models: A Comprehensive Survey [66.74249119139661]
  Graph Foundation Models (GFMs)は、構造化データにスケーラブルで汎用的なインテリジェンスを提供することを目指している。 この調査は、GFMの概要を包括的に提供し、モジュラーフレームワークの下での多様な取り組みを統合する。 GFMは構造化データに対するオープンエンド推論の基盤となる。
  論文  参考訳（メタデータ） (2025-05-21T05:08:00Z)
• G-OSR: A Comprehensive Benchmark for Graph Open-Set Recognition [54.45837774534411]
  ノードレベルとグラフレベルの両方でグラフオープンセット認識(GOSR)手法を評価するベンチマークである textbfG-OSR を導入する。 結果は、現在のGOSR手法の一般化可能性と限界に関する重要な洞察を与える。
  論文  参考訳（メタデータ） (2025-03-01T13:02:47Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Massive Activations in Graph Neural Networks: Decoding Attention for Domain-Dependent Interpretability [0.9499648210774584]
  エッジ機能グラフニューラルネットワーク(GNN)における注意層内のマスアクティブ(MA)の出現を示す。 本研究は,ZINC,TOX21,ProteINSなどのベンチマークデータセットを用いて,エッジ機能付き注目型GNNモデルの評価を行う。
  論文  参考訳（メタデータ） (2024-09-05T12:19:07Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)

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。