論文の概要: Invariant-Based Diagnostics for Graph Benchmarks

• arxiv url: http://arxiv.org/abs/2605.06462v1
• Date: Thu, 07 May 2026 15:51:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.961217
• Title: Invariant-Based Diagnostics for Graph Benchmarks
• Title（参考訳）: グラフベンチマークのための不変ベース診断
• Authors: Richard von Moos, Mathieu Alain, Bastian Rieck,
• Abstract要約: グラフベンチマークの診断フレームワークとしてグラフ不変量を提案する。 i)不変量は標準GNNよりも表現力が高く、(ii)不変量はベンチマークデータセット内およびベンチマークデータセット間の構造的不均一性を特徴づけ、(iii)不変量はマルチタスク性能を予測し、(iv)単純不変モデルは、トランスフォーマーおよびメッセージパスベースラインに競合し、時には超えていることを示す。
• 参考スコア（独自算出の注目度）: 16.239542747309727
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Progress on graph foundation models is hindered by benchmark practices that conflate the contributions of node features and graph structure, making it hard to tell whether a model actually learns from connectivity, or whether it even needs to. We propose addressing this using graph invariants, i.e., permutation-invariant, task-agnostic structural descriptors that serve as a diagnostic framework for graph benchmarks. We show that (i) invariants are more expressive than standard GNNs, (ii) invariants characterize structural heterogeneity within and across benchmark datasets, (iii) invariants predict multi-task performance, and (iv) simple invariant-based models are competitive with, and sometimes exceed, transformer and message-passing baselines across 26 datasets. Our results suggest that expressivity is not the main driver of predictive performance, and that on tasks where structure matters, a non-trainable structural proxy often matches trained message-passing models. We thus posit that invariant baselines should become a standard for evaluating whether structure is required for a task and whether a model picks up on it, serving as a stepping stone towards graph foundation models.
• Abstract（参考訳）: グラフ基盤モデルの進歩は、ノード機能やグラフ構造への貢献を詳述するベンチマークプラクティスによって妨げられています。 グラフベンチマークの診断フレームワークとして機能する置換不変なタスク非依存構造記述子を用いてこの問題に対処する。 私たちはそれを示します (i)不変量は標準GNNよりも表現力が高い。 (ii)不変量は、ベンチマークデータセット内の構造的不均一性を特徴付ける。 (iii)不変量はマルチタスク性能を予測し、 (iv) 単純な不変モデルでは、26のデータセットにまたがるトランスフォーマーとメッセージパッシングのベースラインに競合し、時には超えている。 この結果から, 予測性能の主要因は表現性ではなく, 構造が重要となるタスクにおいて, 学習されたメッセージパッシングモデルと非学習可能な構造的プロキシが一致することが示唆された。 したがって、不変なベースラインは、タスクに構造が必要かどうか、モデルがそれに取り掛かるかどうかを評価するための標準となり、グラフ基盤モデルへのステップストーンとして機能する、と仮定する。

関連論文リスト

• DARTS-GT: Differentiable Architecture Search for Graph Transformers with Quantifiable Instance-Specific Interpretability Analysis [0.0]
  グラフトランスフォーマー(GT)は、グラフ構造化データのための強力なアーキテクチャとして登場したが、厳密な設計と定量化可能性の欠如により制約を受け続けている。 我々は、因果アブレーションによるGTの定量的解釈可能性フレームワークを開発した。 実験によると、DARTS-GTは4つのデータセットで最先端の再設計を実現し、他のデータセットとの競争は継続している。 我々の解釈可能性分析は、視覚的注意力の回復と因果的重要性が必ずしも相関しているわけではないことを示し、広く使われている可視化アプローチが実際に重要なコンポーネントを見逃すことを示唆している。
  論文  参考訳（メタデータ） (2025-10-16T06:15:42Z)
• Leveraging Invariant Principle for Heterophilic Graph Structure Distribution Shifts [42.77503881972965]
  Heterophilic Graph Neural Networks (HGNN) は、グラフ上の半教師付き学習タスクに対して有望な結果を示している。 異種情報を組み込んだ不変ノード表現を生成可能なフレームワークを提案する。 提案手法は,異種グラフ構造分布シフト下での保証性能を実現する。
  論文  参考訳（メタデータ） (2024-08-18T14:10:34Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• 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)
• Discrete Graph Auto-Encoder [52.50288418639075]
  離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。 まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。 2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
  論文  参考訳（メタデータ） (2023-06-13T12:40:39Z)
• Evaluating Robustness and Uncertainty of Graph Models Under Structural Distributional Shifts [43.40315460712298]
  グラフ学習におけるノードレベルの問題では、分散シフトは特に複雑である。 本稿では,グラフ構造に基づく分布変化の一般化手法を提案する。 単純なモデルは、考慮された構造的シフトにおいて、より洗練された手法よりも優れていることがよく示される。
  論文  参考訳（メタデータ） (2023-02-27T15:25:21Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Permutation Invariant Graph Generation via Score-Based Generative Modeling [114.12935776726606]
  本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。 特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。 グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
  論文  参考訳（メタデータ） (2020-03-02T03:06:14Z)

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。