論文の概要: Operational Feature Fingerprints of Graph Datasets via a White-Box Signal-Subspace Probe
- arxiv url: http://arxiv.org/abs/2604.22676v2
- Date: Tue, 28 Apr 2026 11:17:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 14:06:43.82041
- Title: Operational Feature Fingerprints of Graph Datasets via a White-Box Signal-Subspace Probe
- Title（参考訳）: ホワイトボックス信号サブスペースプローブによるグラフデータセットの動作特徴指紋
- Authors: Yuchen Xiong, Swee Keong Yeap, Zhen Hong Ban,
- Abstract要約: 予測およびグラフデータセット診断のためのホワイトボックス信号サブスペースプローブであるWG-SRCを提案する。
学習したメッセージパッシングを、生の特徴を含む固定された名前のグラフ署名辞書に置き換える。
ホワイトボックスグラフ学習装置として、WG-SRCは予測性能を使用して診断の検証を行う。
- 参考スコア（独自算出の注目度）: 0.3058685580689604
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks achieve strong node-classification accuracy, but learned message passing entangles ego attributes, neighborhood smoothing, high-pass graph differences, class geometry, and classifier-boundary effects inside opaque representations. This obscures why nodes are classified as they are and which graph-learning mechanisms a dataset requires. We propose WG-SRC, a white-box signal-subspace probe for prediction and graph dataset diagnosis. WG-SRC replaces learned message passing with a fixed, named graph-signal dictionary containing raw features, row- and symmetric-normalized low-pass propagation, and high-pass graph differences. It combines Fisher coordinate selection, class-wise PCA subspaces, closed-form multi-alpha ridge classification, and validation-based score fusion, so prediction and analysis rely on explicit class subspaces, energy-controlled dimensions, and closed-form linear decisions. As a white-box graph-learning instrument, WG-SRC uses predictive performance to validate its diagnostics. Across six node-classification datasets, it remains competitive with reproduced baselines and achieves positive average gain under aligned splits. Its atlas decomposes behavior into raw-feature, low-pass, high-pass, class-geometric, and ridge-boundary components. The resulting fingerprints distinguish low-pass-dominated Amazon graphs, mixed high-pass and class-geometrically complex Chameleon behavior, and raw- or boundary-sensitive WebKB graphs. Aligned interventions show when high-pass blocks act as removable noise, when raw or graph-derived signals should be preserved, and when ridge correction matters. WG-SRC therefore serves both as a functioning white-box classifier and as a dataset-fingerprinting probe, enabling fingerprint-conditioned analysis of how black-box model components behave under different graph-signal conditions.
- Abstract（参考訳）: グラフニューラルネットワークは、強いノード分類精度を実現するが、学習されたメッセージパッシングのエンタングルは、ego属性、近隣スムーズ化、ハイパスグラフの差、クラス幾何学、不透明表現内の分類子境界効果である。
このことは、ノードがそれらとして分類される理由と、データセットに必要なグラフ学習メカニズムを曖昧にしている。
予測およびグラフデータセット診断のためのホワイトボックス信号サブスペースプローブであるWG-SRCを提案する。
WG-SRCは、学習したメッセージパッシングを、生の特徴、行および対称正規化ローパス伝搬、ハイパスグラフ差を含む固定名グラフ信号辞書に置き換える。
フィッシャー座標の選択、クラスワイドPCAサブスペース、クローズドフォームマルチアルファリッジ分類、および検証ベースのスコア融合を組み合わせることで、予測と分析は明示的なクラス部分空間、エネルギー制御された次元、クローズドフォーム線形決定に依存する。
ホワイトボックスグラフ学習装置として、WG-SRCは予測性能を使用して診断の検証を行う。
6つのノード分類データセット全体では、再現されたベースラインと競合し続け、整列された分割の下では正の平均ゲインを達成する。
そのアトラスは、振る舞いを原機能、低パス、高パス、クラス幾何学、リッジ境界成分に分解する。
その結果得られた指紋は、低パスが支配するAmazonグラフ、ハイパスとクラス幾何学的に複雑なChameleonの振る舞い、生または境界に敏感なWebKBグラフを区別する。
調整された介入は、ハイパスブロックが除去可能なノイズとして振る舞うこと、生信号やグラフ信号が保存されるべきこと、リッジ補正が重要なことを示す。
したがって、WG-SRCは機能するホワイトボックス分類器とデータセット・フィンガープリントプローブの両方として機能し、異なるグラフ信号条件下でブラックボックスモデルコンポーネントがどのように振る舞うかを指紋条件で分析できる。
関連論文リスト
- SWING: Unlocking Implicit Graph Representations for Graph Random Features [57.956136773668476]
SWING: Space Walks for Implicit Network Graphsはグラフ上のグラフランダム特徴を含む計算アルゴリズムの新しいクラスである。
SWINGの詳細な解析を行い、様々なiグラフのクラスで徹底的な実験を行い、それを補完する。
論文 参考訳（メタデータ） (2026-02-13T08:12:38Z) - Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。
SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。
SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
論文 参考訳（メタデータ） (2026-01-19T08:10:53Z) - Improving Graph Embeddings in Machine Learning Using Knowledge Completion with Validation in a Case Study on COVID-19 Spread [1.0308647202215706]
グラフ埋め込み(GE)は、知識グラフ(KG)からベクトル空間にマッピングすることで、ノード分類やリンク予測といったタスクを可能にする。
本稿では,埋め込み前の潜在データセットのセマンティクスを明らかにするために,知識コンプリートフェーズを統合したGMLパイプラインを提案する。
実験により、GMLパイプラインは埋め込み空間の幾何学を著しく変化させ、その導入は単なるエンリッチメントではなく、グラフ表現の質を再定義する変換ステップであることを示した。
論文 参考訳（メタデータ） (2025-11-15T07:24:00Z) - A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。
我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。
がんのステージングと生存予測の課題に強いパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-03-14T20:15:04Z) - 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) - Adaptive Homophily Clustering: Structure Homophily Graph Learning with Adaptive Filter for Hyperspectral Image [21.709368882043897]
ハイパースペクトル画像(HSI)クラスタリングは、ゼロトレーニングラベルによる基本的だが難しい課題である。
本稿では,HSIのための適応フィルタクラスタリング法(AHSGC)を用いたホモフィリ構造グラフ学習を提案する。
AHSGCには高いクラスタリング精度、低い計算複雑性、強い堅牢性が含まれています。
論文 参考訳（メタデータ） (2025-01-03T01:54:16Z) - Data-Driven Self-Supervised Graph Representation Learning [0.0]
自己教師付きグラフ表現学習(英: Self-supervised graph representation learning, SSGRL)は、手動ラベリングの削減や回避に使用される表現学習パラダイムである。
本稿では,グラフに符号化された信号から適切なグラフ拡張を自動的に学習する,新しいデータ駆動型SSGRL手法を提案する。
ノード分類とグラフ特性予測に関する広範な実験を行う。
論文 参考訳（メタデータ） (2024-12-24T10:04:19Z) - GSpect: Spectral Filtering for Cross-Scale Graph Classification [9.800723513820046]
クロススケールグラフ分類タスクのための高度なスペクトルグラフフィルタリングモデルであるGSpectを提案する。
オープンデータセットでは、GSpectは分類精度を平均1.62%改善し、ProteINSでは最大3.33%向上した。
GSpectは、クロススケールグラフ分類研究のギャップを埋め、脳疾患の診断のような応用研究を支援する可能性がある。
論文 参考訳（メタデータ） (2024-08-31T03:26:32Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - 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。