論文の概要: A Systematic Evaluation Protocol of Graph-Derived Signals for Tabular Machine Learning
- arxiv url: http://arxiv.org/abs/2603.13998v1
- Date: Sat, 14 Mar 2026 15:59:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:35.533332
- Title: A Systematic Evaluation Protocol of Graph-Derived Signals for Tabular Machine Learning
- Title（参考訳）: タブラル機械学習のためのグラフ微分信号の体系的評価プロトコル
- Authors: Mario Heidrich, Jeffrey Heidemann, Rüdiger Buchkremer, Gonzalo Wandosell Fernández de Bobadilla,
- Abstract要約: 本稿では,グラフ由来信号のどのカテゴリが統計的に有意かつ頑健な性能向上をもたらすかを評価する統一的かつ再現可能な評価プロトコルを提案する。
本稿では,大規模かつ不均衡な暗号通貨不正検出データセットの広範なケーススタディを通じて,このプロトコルを実証する。
これらの知見は, 不正検出の実用的有用性を示し, 提案手法が他のアプリケーション領域にも適用可能であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While graph-derived signals are widely used in tabular learning, existing studies typically rely on limited experimental setups and average performance comparisons, leaving the statistical reliability and robustness of observed gains largely unexplored. Consequently, it remains unclear which signals provide consistent and robust improvements. This paper presents a taxonomy-driven empirical analysis of graph-derived signals for tabular machine learning. We propose a unified and reproducible evaluation protocol to systematically assess which categories of graph-derived signals yield statistically significant and robust performance improvements. The protocol provides an extensible setup for the controlled integration of diverse graph-derived signals into tabular learning pipelines. To ensure a fair and rigorous comparison, it incorporates automated hyperparameter optimization, multi-seed statistical evaluation, formal significance testing, and robustness analysis under graph perturbations. We demonstrate the protocol through an extensive case study on a large-scale, imbalanced cryptocurrency fraud detection dataset. The analysis identifies signal categories providing consistently reliable performance gains and offers interpretable insights into which graph-derived signals indicate fraud-discriminative structural patterns. Furthermore, robustness analyses reveal pronounced differences in how various signals handle missing or corrupted relational data. These findings demonstrate practical utility for fraud detection and illustrate how the proposed taxonomy-driven evaluation protocol can be applied in other application domains.
- Abstract（参考訳）: グラフ由来の信号は表型学習で広く使われているが、既存の研究は通常、限られた実験的な設定と平均的な性能比較に依存しており、観測された利得の統計的信頼性と堅牢性はほとんど探索されていない。
その結果、どの信号が一貫性があり、堅牢な改善をもたらすかは、まだ不明である。
本稿では,表層学習のためのグラフ由来信号の分類による実証分析について述べる。
本稿では,グラフ由来信号のどのカテゴリが統計的に有意かつ頑健な性能向上をもたらすかを体系的に評価する,統一的かつ再現可能な評価プロトコルを提案する。
このプロトコルは、多種多様なグラフ由来の信号を表型学習パイプラインに統合するための拡張可能なセットアップを提供する。
公平かつ厳密な比較を確保するため、自動ハイパーパラメータ最適化、多種統計評価、形式的意義テスト、グラフ摂動下での頑健性解析が組み込まれている。
本稿では,大規模かつ不均衡な暗号通貨不正検出データセットの広範なケーススタディを通じて,このプロトコルを実証する。
この分析は、一貫して信頼性の高いパフォーマンス向上を提供する信号カテゴリを特定し、グラフ由来の信号が不正識別構造パターンを示すための解釈可能な洞察を提供する。
さらに、ロバスト性解析により、様々な信号が欠落または破損した関係データの処理方法に顕著な違いが示される。
これらの知見は, 不正検出の実用的有用性を示し, 提案手法が他のアプリケーション領域にも適用可能であることを示す。
関連論文リスト
- Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。
本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-28T11:40:18Z) - Representation Geometry as a Diagnostic for Out-of-Distribution Robustness [0.5978543974412219]
In-distribution Embeddingsからクラス条件の相互k-nearest-neighborグラフを構成する幾何学的診断フレームワークを提案する。
スペクトルの複雑さが低く、平均曲率が高くなると、チェックポイント全体にわたって強い分布外(OOD)の精度が常に予測される。
この結果から,表現幾何学はラベル無しで解釈可能な診断を可能にし,教師なしチェックポイント選択の信頼性をサポートできることが示唆された。
論文 参考訳（メタデータ） (2026-02-03T19:13:36Z) - Learning Graph from Smooth Signals under Partial Observation: A Robustness Analysis [22.116133023519676]
バニラグラフトポロジ学習法は低域フィルタグラフ信号の部分的な観測に対して暗黙的に堅牢であることを示す。
本研究では,スムーズ性に基づくグラフ学習の定式化により,観測ノードに対応する基底真理グラフトポロジーを復元できることを示す。
論文 参考訳（メタデータ） (2025-09-18T12:09:40Z) - Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。
既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。
本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
論文 参考訳（メタデータ） (2025-02-12T04:07:12Z) - Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
点予測損失の最小化は、潜時関係情報の適切な学習を保証するものではないことを示す。
本稿では,この共同学習課題を解決するサンプリングベース手法を提案する。
論文 参考訳（メタデータ） (2024-05-30T10:49:22Z) - Graph Out-of-Distribution Generalization with Controllable Data
Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。
トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。
仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文 参考訳（メタデータ） (2023-08-16T13:10:27Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-05-31T11:04:53Z) - Learning Robust Representation through Graph Adversarial Contrastive
Learning [6.332560610460623]
既存の研究では、グラフニューラルネットワーク(GNN)によって生成されたノード表現が、敵の攻撃に対して脆弱であることが示されている。
本稿では,グラフ自己教師型学習に対数拡張を導入することにより,新しいグラフ適応型コントラスト学習フレームワーク(GraphACL)を提案する。
論文 参考訳（メタデータ） (2022-01-31T07:07:51Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Joint Inference of Multiple Graphs from Matrix Polynomials [34.98220454543502]
ノード上の観測からグラフ構造を推定することは重要かつ一般的なネットワーク科学課題である。
ノードの信号の観測から複数のグラフを共同で推定する問題について検討する。
本稿では,真のグラフの回復を保証するための凸最適化手法を提案する。
論文 参考訳（メタデータ） (2020-10-16T02:45:15Z)
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。