論文の概要: Advancing Edge Classification through High-Dimensional Causal Modeling of Node-Edge Interplay
- arxiv url: http://arxiv.org/abs/2605.00374v2
- Date: Mon, 04 May 2026 02:15:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 14:09:07.09463
- Title: Advancing Edge Classification through High-Dimensional Causal Modeling of Node-Edge Interplay
- Title（参考訳）: ノードエッジインタフェースの高次元因果モデリングによるエッジ分類の改善
- Authors: Duanyu Feng, Li Ding, Hongru Liang, Wenqiang Lei,
- Abstract要約: Causal Edge Classification Framework(CECF)は、エッジ分類タスクに因果推論原則を適用するための最初のフレームワークである。
CECFは、ノード特徴の潜在的影響を緩和することにより、高次元エッジ特徴のバランスの取れた表現を学ぼうとしている。
クロスアテンションネットワークは、最終エッジ分類のためのノードとエッジの複雑な依存関係をキャプチャする。
- 参考スコア（独自算出の注目度）: 31.406862431524548
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Edge classification, a crucial task for graph applications, remains relatively under-explored compared to link prediction. Current methods often overlook the potential causal influences of node features on edge features, leading to a loss of relevant prior information. In this work, we present an empirical exploration using the Causal Edge Classification Framework (CECF). Unlike conventional causal inference methods, CECF is the first framework to apply causal inference principles to the edge classification task and to explore modeling edge features as a high-dimensional treatment within a causal framework. Based on the node embedding of Graph Neural Network (GNN), CECF seeks to learn a balanced representation of high-dimensional edge features by mitigating the potential influence of node features. Then, a cross-attention network captures the complex dependencies between node and edge features for final edge classification. Extensive experiments demonstrate that CECF not only achieves superior performance but also serves as a flexible, plug-and-play enhancement for existing methods. We also provide empirical analyses, offering insights into when and how this high-dimensional causal modeling framework works for the edge classification.
- Abstract（参考訳）: グラフアプリケーションにとって重要なタスクであるエッジ分類は、リンク予測と比較して、まだ未探索である。
現在の手法は、しばしばエッジ特徴に対するノード特徴の潜在的な因果的影響を見落とし、関連する事前情報が失われる。
本研究では,Causal Edge Classification Framework (CECF) を用いた実証調査を行う。
従来の因果推論法とは異なり、CECFは、エッジ分類タスクに因果推論の原則を適用し、因果フレームワーク内の高次元的な処理としてエッジ特徴をモデル化する最初のフレームワークである。
グラフニューラルネットワーク(GNN)のノード埋め込みに基づいて、CECFは、ノード特徴の潜在的影響を緩和することにより、高次元エッジ特徴のバランスの取れた表現を学習しようとしている。
次に、クロスアテンションネットワークは、最終エッジ分類のためのノードとエッジの複雑な依存関係をキャプチャする。
大規模な実験により、CECFは優れたパフォーマンスを達成するだけでなく、既存のメソッドの柔軟なプラグ・アンド・プレイの強化にも役立ちます。
我々はまた、この高次元因果モデリングフレームワークがエッジ分類にどのように機能するかについての洞察を提供する経験的分析も提供する。
関連論文リスト
- On the Impact of Graph Neural Networks in Recommender Systems: A Topological Perspective [49.391877616394765]
レコメンデーションシステムでは、ユーザと項目の相互作用を二部グラフとしてモデル化することができる。
このグラフに基づくビューは、グラフニューラルネットワーク(GNN)の急速な採用を動機付けている。
実証的な成功にもかかわらず、GNNが他のアプローチに対して体系的な優位性を提供する理由は、まだ部分的にしか理解されていない。
論文 参考訳（メタデータ） (2025-12-08T10:19:43Z) - Resource-Aware Neural Network Pruning Using Graph-based Reinforcement Learning [0.8890833546984916]
本稿では,グラフベースの観測空間をAutoMLフレームワークに統合することで,ニューラルネットワークのプルーニングに新たなアプローチを提案する。
本フレームワークは,対象ニューラルネットワークのグラフ表現を導入することにより,刈り込み処理を変換する。
作用空間に対しては、連続プルーニング比から細粒な二分作用空間へ遷移する。
論文 参考訳（メタデータ） (2025-09-04T15:05:05Z) - ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。
本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。
特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
論文 参考訳（メタデータ） (2025-07-19T04:46:53Z) - Enhancing Knowledge Graph Completion with GNN Distillation and Probabilistic Interaction Modeling [14.550518793230404]
知識グラフは、様々な領域にまたがる相互接続データを整理するための基本的な構造として機能する。
ディープグラフニューラルネットワーク(GNN)は過度にスムースに苦しむ一方で、埋め込みベースのモデルは抽象的リレーショナルな特徴を捉えることができない。
本稿では,GNN蒸留と抽象確率的相互作用モデリング(APIM)を統合した統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-18T07:22:53Z) - Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。
学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。
各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2024-09-26T16:22:08Z) - Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。
HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。
提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
論文 参考訳（メタデータ） (2022-04-26T10:06:04Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - BiconNet: An Edge-preserved Connectivity-based Approach for Salient
Object Detection [3.3517146652431378]
既存のSaliencyベースのSODフレームワークをバックボーンとして使用できることを示す。
5つのベンチマークデータセットの総合的な実験を通して,提案手法が最先端のSOD手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-02-27T21:39:04Z) - RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。
二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。
理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
論文 参考訳（メタデータ） (2021-01-25T13:31:29Z) - Probabilistic Graph Attention Network with Conditional Kernels for
Pixel-Wise Prediction [158.88345945211185]
本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。
構造化されたマルチスケール機能学習と融合。
本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
論文 参考訳（メタデータ） (2021-01-08T04:14:29Z)
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。