論文の概要: A Unified Benchmark for Evaluating Knowledge Graph Construction Methods and Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2605.05476v1
• Date: Wed, 06 May 2026 21:53:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.425596
• Title: A Unified Benchmark for Evaluating Knowledge Graph Construction Methods and Graph Neural Networks
• Title（参考訳）: 知識グラフ構築法とグラフニューラルネットワークの評価のための統一ベンチマーク
• Abstract要約: ノイズの多いテキスト由来のグラフ上でのグラフニューラルネットワーク(GNN)の性能を共同評価するための2目的ベンチマークを提案する。 ベンチマークは、単一のテキストコーパスからバイオメディカルドメインに構築される。
• 参考スコア（独自算出の注目度）: 1.9307742024764771
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graphs automatically constructed from text are increasingly used in real-world applications. However, their inherent noise, fragmentation, and semantic inconsistencies significantly affect the performance of Graph Neural Networks (GNNs) on downstream tasks. Assessing their performance and robustness remains difficult, as it is often unclear whether observed results stem from the learning model or from the quality of the constructed graph itself. In this work, we introduce a dual-purpose benchmark designed to jointly evaluate (i) the performance of GNNs on noisy, text-derived graphs and (ii) the effectiveness of graph construction methods on a downstream task. The benchmark is built in the biomedical domain from a single textual corpus and includes two automatically constructed graphs generated using different extraction methods, alongside a high-quality reference graph curated by experts that serves as an upper performance bound. This design enables controlled comparison of construction methods and systematic evaluation of GNN robustness through semi-supervised node classification. We further provide a standardized, reproducible, and extensible evaluation framework, facilitating the integration of new graph extraction methods and learning models.
• Abstract（参考訳）: テキストから自動的に構築される知識グラフは、現実世界のアプリケーションでますます使われている。 しかし、その固有のノイズ、断片化、意味的矛盾は、下流タスクにおけるグラフニューラルネットワーク(GNN)の性能に大きく影響する。 得られた結果が学習モデルによるものなのか、構築されたグラフ自体の品質によるものなのかはよくわからないため、それらの性能と堅牢性を評価することは依然として困難である。 本研究では,共同評価のための多目的ベンチマークを提案する。 (i)うるさいテキストグラフ上でのGNNの性能 (2)下流作業におけるグラフ構築手法の有効性 このベンチマークは、単一のテキストコーパスからバイオメディカルドメインに構築され、異なる抽出法を用いて自動構築された2つのグラフと、高いパフォーマンスバウンダリとして機能する専門家によってキュレーションされた高品質な参照グラフを含んでいる。 この設計により、半教師付きノード分類による構築手法の制御とGNNロバスト性の評価が可能となる。 さらに、新しいグラフ抽出手法と学習モデルの統合を容易にし、標準化され再現可能で拡張可能な評価フレームワークを提供する。

関連論文リスト

• GADPN: Graph Adaptive Denoising and Perturbation Networks via Singular Value Decomposition [6.24191713518868]
  GADPNはグラフ構造学習フレームワークであり、低ランクな denoising と一般化された構造摂動によってグラフトポロジーを適応的に洗練する。 最先端のパフォーマンスを実現し、効率を大幅に向上させる。 グラフ構造を強固に学習する能力を検証することで、不合理なグラフに挑戦する上で特に大きな利益をもたらす。
  論文  参考訳（メタデータ） (2026-01-13T05:25:32Z)
• A method for the systematic generation of graph XAI benchmarks via Weisfeiler-Leman coloring [4.187844916497259]
  グラフニューラルネットワークは、構造化データから学習するデファクトモデルになっている。 この大きな問題に対処するために、グラフのための説明可能なAIテクニックがいくつか開発されている。 現在のグラフ-XAIベンチマークは、単純化された合成データセットや、ドメインの専門家がキュレートした現実的なタスクに限られている。 本稿では,グラフ分類データセットからXAIベンチマークを自動生成する手法を提案する。
  論文  参考訳（メタデータ） (2025-05-18T14:19:52Z)
• 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)
• Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
  Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。 GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
  論文  参考訳（メタデータ） (2024-11-19T08:32:14Z)
• Boosting Graph Neural Network Expressivity with Learnable Lanczos Constraints [7.605749412696919]
  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優れるが、リンク予測タスクでは性能が劣ることが多い。 グラフラプラシア行列の固有基底に誘導された部分グラフを埋め込むことによりGNNの表現性を高める新しい手法を提案する。 本研究では,2-WLで区別できないグラフを,効率的な時間的複雑性を維持しながら識別できることを実証する。
  論文  参考訳（メタデータ） (2024-08-22T12:22:00Z)
• 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)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)

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。