論文の概要: Rethinking Multi-Label Node Classification: Do Tuned Classic GNNs Suffice?

• arxiv url: http://arxiv.org/abs/2605.01403v1
• Date: Sat, 02 May 2026 12:00:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.754768
• Title: Rethinking Multi-Label Node Classification: Do Tuned Classic GNNs Suffice?
• Title（参考訳）: マルチラベルノード分類を再考する: チューニングされたクラシックGNNは十分か?
• Authors: Yuxuan Xiao, Shengzhong Zhang,
• Abstract要約: マルチラベルノード分類(MLNC)は、最近ますます複雑なラベル認識設計によって対処されている。 我々は,MLNCを強固なベースラインの観点から再検討し,古典的なフルグラフGNNがすでに強力なソリューションとして機能しているかどうかを精査する。
• 参考スコア（独自算出の注目度）: 4.673843397810038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-label node classification (MLNC) has recently been addressed by increasingly complex label-aware designs that explicitly model node-label interactions and inter-label dependencies.However, it remains unclear whether the advantages of these methods truly stem from their specialized designs, or simply from insufficiently optimized baselines. In this paper, we revisit MLNC from a strong-baseline perspective and investigate whether carefully tuned classic full-graph GNNs can already serve as strong solutions to this task. We systematically study several representative backbones, including GCN, SSGConv, and GCNII, and optimize them using standard yet effective techniques such as normalization, dropout, and residual connections. Experiments on five representative benchmark datasets show that our tuned baselines outperform representative specialized methods on four datasets and achieve state-of-the-art performance in multiple settings. These results indicate that careful tuning of classic backbones is a highly influential but often overlooked factor in MLNC, and highlight the need for more rigorous strong-baseline evaluation in future research on multi-label graph learning.
• Abstract（参考訳）: マルチラベルノード分類(MLNC)は、最近、ノードとラベル間の相互作用とラベル間の依存関係を明示的にモデル化する、ますます複雑なラベル認識設計によって対処されてきたが、これらの手法の利点が実際にそれらの特殊な設計に由来するのか、あるいは単に最適化されていないベースラインから来ているのかは、いまだ不明である。 本稿では,MLNCを強ベースラインの観点から再検討し,精巧に調整された古典的フルグラフGNNが,この課題に対する強力な解決策としてすでに有効であるかどうかを検討する。 我々は,GCN,SSGConv,GCNIIなどの代表的なバックボーンを系統的に研究し,正規化,ドロップアウト,残差接続などの標準的な手法を用いて最適化する。 5つの代表的なベンチマークデータセットに対する実験により、調整されたベースラインは4つのデータセットで代表的な特殊なメソッドより優れ、複数の設定で最先端のパフォーマンスを達成することが示された。 これらの結果は,古典的バックボーンの注意的チューニングはMLNCにおいて非常に影響力があるが,しばしば見落とされがちな要因であり,今後の多ラベルグラフ学習研究において,より厳密な強力なベースライン評価の必要性を浮き彫りにしている。

関連論文リスト

• Unleashing the Power of Vision-Language Models for Long-Tailed Multi-Label Visual Recognition [55.189113121465816]
  本稿では,長い尾を持つ多ラベル視覚認識のための新しい相関適応プロンプトネットワーク(CAPNET)を提案する。 CAPNETはCLIPのテキストエンコーダからの相関を明示的にモデル化する。 テスト時間アンサンブルによる一般化を改善し、視覚・テクスチャのモダリティを実現する。
  論文  参考訳（メタデータ） (2025-11-25T18:57:28Z)
• Leveraging Large Language Models for Effective Label-free Node Classification in Text-Attributed Graphs [10.538099379851198]
  Locleは、LLMによるラベルなしノード分類を費用対効果で行う、アクティブなセルフトレーニングフレームワークである。 これは、GNNを用いて少数の「クリティカル」サンプルを反復的に識別し、LLMとGNNの両方で情報的擬似ラベルを抽出する。 ラベルのないノード分類では、同じクエリ予算で最先端のメソッドをLLMに大幅に上回ります。
  論文  参考訳（メタデータ） (2024-12-16T17:04:40Z)
• Simple GNNs with Low Rank Non-parametric Aggregators [12.108529628556944]
  最先端(SOTA)のGNNアーキテクチャは、一般的なSSNCベンチマークデータセットに対してオーバーエンジニアリングされる可能性がある。 特徴集約を非パラメトリック学習者に置き換えることで、GNN設計プロセスを合理化できます。
  論文  参考訳（メタデータ） (2023-10-08T17:56:30Z)
• KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot Node Classification [75.95647590619929]
  Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。 ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。 ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
  論文  参考訳（メタデータ） (2023-08-15T02:38:08Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Graph Ladling: Shockingly Simple Parallel GNN Training without Intermediate Communication [100.51884192970499]
  GNNは、グラフを学習するニューラルネットワークの強力なファミリーである。 GNNのスケーリングは、肥大化または拡大によって、不健康な勾配、過度なスムースメント、情報のスカッシングといった問題に悩まされる。 本稿では,現在のGNNの深層化や拡張ではなく,GNNに適したモデルスープをデータ中心の視点で表現することを提案する。
  論文  参考訳（メタデータ） (2023-06-18T03:33:46Z)
• Unifying Label-inputted Graph Neural Networks with Deep Equilibrium Models [12.71307159013144]
  この研究は、LGNNをインプリシットGNN(IGNN)理論で解釈することで、2つのグラフニューラルネットワーク(GNN)を統一する。 IGNNはグラフ全体の情報を利用して長距離依存を捕捉するが、そのネットワークは平衡の存在を保証するよう制約されている。 本研究では、IGNNの暗黙的な微分を導入し、その無限範囲ラベル伝搬定数メモリを区別し、伝播を遠方かつ適応的にする。
  論文  参考訳（メタデータ） (2022-11-19T09:28:53Z)
• Bag of Tricks for Training Deeper Graph Neural Networks: A Comprehensive Benchmark Study [100.27567794045045]
  ディープグラフニューラルネットワーク(GNN)のトレーニングは、非常に難しい。 我々は、深層GNNの「トリック」を評価するための最初の公正かつ再現可能なベンチマークを示す。
  論文  参考訳（メタデータ） (2021-08-24T05:00:37Z)

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。