論文の概要: From Model to Data (M2D): Shifting Complexity from GNNs to Graphs for Transparent Graph Learning

• arxiv url: http://arxiv.org/abs/2605.06814v1
• Date: Thu, 07 May 2026 18:16:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.534672
• Title: From Model to Data (M2D): Shifting Complexity from GNNs to Graphs for Transparent Graph Learning
• Title（参考訳）: モデルからデータ(M2D): 透過的なグラフ学習のためのGNNからグラフへの複雑さのシフト
• Authors: Debolina Halder Lina, Arlei Silva,
• Abstract要約: モデルの複雑性をデータ空間に転送することで透明性を高める新しいフレームワークであるM2D(Model-to-Data)蒸留を導入する。 M2Dは教師モデルを拡張グラフに蒸留し、豊富な特徴と構造を持ち、単純な生徒が教師のパフォーマンスに合うようにする。 本研究は,M2Dが公平性目標や注意に基づくアグリゲーションなどのメカニズムを解釈可能な方法で明らかにし,性能を保ちながらGNN透過性を向上することを示す。
• 参考スコア（独自算出の注目度）: 5.206616584683251
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) achieve high performance but can be opaque to humans, making it difficult to understand and compare the many proposed architectures. While existing explainability methods attribute individual predictions to nodes, edges, or features, they do not provide architectural transparency or explain the fundamental performance gap between simple and more complex models. To address this limitation, we introduce Model-to-Data (M2D) distillation, a new framework that increases transparency by transferring model complexity into the data space. M2D distills the teacher model into an augmented graph with enriched features and structure, enabling a simple student to match the teacher's performance. By materializing model behavior in the data, our approach allows humans to inspect architectural advantages directly. We show that M2D reveals underlying mechanisms such as fairness objectives and attention-based aggregation in an interpretable way, enhancing GNN transparency while preserving performance.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は高いパフォーマンスを実現するが、人間には不透明であり、提案されたアーキテクチャの多くを理解し比較することは困難である。 既存の説明可能性メソッドは個々の予測をノード、エッジ、機能に当てはめるが、アーキテクチャ上の透明性を提供したり、単純なモデルとより複雑なモデルの間の基本的なパフォーマンスギャップを説明できない。 この制限に対処するために、モデルの複雑さをデータ空間に転送することで透明性を高める新しいフレームワークであるModel-to-Data(M2D)蒸留を導入する。 M2Dは教師モデルを拡張グラフに蒸留し、豊富な特徴と構造を持ち、簡単な生徒が教師のパフォーマンスに合うようにする。 データ内のモデル動作を具体化することにより、我々の手法は人間が直接アーキテクチャ上の利点を検査することができる。 本研究は,M2Dが公平性目標や注意に基づくアグリゲーションなどのメカニズムを解釈可能な方法で明らかにし,性能を保ちながらGNN透過性を向上することを示す。

関連論文リスト

• Bi-View Embedding Fusion: A Hybrid Learning Approach for Knowledge Graph's Nodes Classification Addressing Problems with Limited Data [1.0308647202215706]
  Bi-Viewは、ナレッジグラフのノード機能の情報的内容を増加させる、新しいハイブリッドアプローチである。 このアプローチは、特に初期機能に乏しいシナリオにおいて、ダウンストリームタスクのパフォーマンスを改善します。
  論文  参考訳（メタデータ） (2025-11-17T06:45:14Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• Graph Structure Learning with Temporal Graph Information Bottleneck for Inductive Representation Learning [1.3728301825671199]
  グラフ構造学習(GSL)と時間グラフ情報ボット(TGIB)を統合する汎用フレームワークを提案する。 ノード近傍を拡張・最適化する2段階のGSL構造拡張器を設計する。 TGIBは、情報ボトルネックの原則を時間グラフに拡張し、エッジと機能の両方を正規化することで、最適化されたグラフを洗練する。
  論文  参考訳（メタデータ） (2025-08-20T17:13:19Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• 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)
• How to Make LLMs Strong Node Classifiers? [70.14063765424012]
  言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。 本稿では,ノード分類タスクにおける最先端(SOTA)GNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-03T08:27:54Z)
• 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)
• Unbiased Learning of Deep Generative Models with Structured Discrete Representations [7.9057320008285945]
  構造化可変オートエンコーダ(SVAE)の学習のための新しいアルゴリズムを提案する。 我々はSVAEがデータの欠落時に個別の潜伏変数を組み込むことでマルチモーダル不確実性を扱う能力を初めて示す。 メモリ効率の高い暗黙差分法により,SVAEは不完全最適化に対して頑健さを示しつつ,勾配降下により学習しやすくなった。
  論文  参考訳（メタデータ） (2023-06-14T03:59:21Z)
• Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
  グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。 具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。 我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-05-08T08:19:40Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)

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。