論文の概要: Have Graph -- Will Lift? The Case for Higher-Order Benchmarks

• arxiv url: http://arxiv.org/abs/2605.07397v1
• Date: Fri, 08 May 2026 07:53:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.903955
• Title: Have Graph -- Will Lift? The Case for Higher-Order Benchmarks
• Title（参考訳）: グラフはあるか? 高階ベンチマークの場合
• Authors: Bastian Rieck,
• Abstract要約: メッセージパッシングはグラフ上でも高次複素数上でも、幾何学的深層学習の主要な要因の1つである。 モデルの検証可能な多様性は、適切なベンチマークデータセットの不足とは対照的である。 私はコミュニティに新たなデータセットのソースを奨励したいと思っています。
• 参考スコア（独自算出の注目度）: 19.567562070486098
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: After a somewhat rocky start, geometry and topology have established a foothold in machine learning. Message passing, either on graphs or higher-order complexes, is one of the main drivers of geometric deep learning, and paradigms that were once considered to be firmly in the realm of the abstract-like sheaves-have been "tamed" to serve as novel inductive biases for model architectures in topological deep learning. The veritable diversity of models, however, is in stark contrast to the scarcity of suitable benchmark datasets. As a result, researchers often resort to lifting existing graph datasets to include higher-order information. In this opinion paper, I want to encourage the community to also source new datasets, which may be used to prop up the foundations of our research field.
• Abstract（参考訳）: 幾分苦しいスタートを切った後、幾何学とトポロジーは機械学習の足場を確立した。 グラフ上でも高階の複合体上でもメッセージパッシングは幾何学的な深層学習の主要な要因の1つであり、かつては抽象的な棚の領域でしっかりと検討されていたパラダイムは、トポロジカル深層学習におけるモデルアーキテクチャの新たな帰納的バイアスとして「テーメ」されてきた。 しかし、モデルの検証可能な多様性は、適切なベンチマークデータセットの不足とは対照的である。 その結果、研究者はしばしば、高次の情報を含むために既存のグラフデータセットを引き上げることに頼っている。 本意見書では,研究分野の基盤を立案するための新たなデータセットもコミュニティに提供したいと思っています。

関連論文リスト

• No Triangulation Without Representation: Generalization in Topological Deep Learning [21.366284585034474]
  グラフニューラルネットワーク(GNN)と高階メッセージパッシング(HOMP)の両方がベンチマークを飽和させることができることを示す。 驚くべきことに、既存のモデルがデータ構造を超えて一般化できるという兆候は見つからない。
  論文  参考訳（メタデータ） (2026-05-07T15:55:24Z)
• Dissecting embedding method: learning higher-order structures from data [0.0]
  データ学習のための幾何学的深層学習法は、しばしば特徴空間の幾何学に関する仮定のセットを含む。 これらの仮定と、データが離散的で有限であるという仮定は、いくつかの一般化を引き起こし、データとモデルの出力の間違った解釈を生み出す可能性がある。
  論文  参考訳（メタデータ） (2024-10-14T08:19:39Z)
• A Survey on Learning from Graphs with Heterophily: Recent Advances and Future Directions [35.544281678888986]
  連結ノードが異なるラベルや異種特徴を持つ傾向があるヘテロ親和性グラフは、最近大きな注目を集めている。 さまざまなグラフヘテロフィリ測度、ベンチマークデータセット、学習パラダイムが急速に発展しています。
  論文  参考訳（メタデータ） (2024-01-18T07:36:38Z)
• Graph Foundation Models: Concepts, Opportunities and Challenges [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 一般化と適応における基礎モデルの能力は、グラフ機械学習研究者を動機付け、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal [57.8455911689554]
  知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。 質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
  論文  参考訳（メタデータ） (2022-12-12T08:40:04Z)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [61.49208407567829]
  本稿では,ハイパボリックグラフ学習(HGL)の急速な発展分野を概観する。 我々は,(1)ハイパーボリックグラフ埋め込みに基づく手法,(2)グラフニューラルネットワークに基づくハイパーボリックモデル,(3)新興パラダイムに分割した既存手法を体系的に分類し,解析した。 我々は、推薦システム、知識グラフ、バイオインフォマティクス、その他の関連するシナリオを含む、複数のドメインにわたるHGLの多様な応用について幅広く論じる。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• Bayesian Deep Learning for Graphs [6.497816402045099]
  論文は、この分野のほとんどのメソッドが構築される原則のレビューから始まり、続いてグラフ分類問題の研究が続く。 そこから、ディープアーキテクチャを漸進的に構築することで、グラフのディープラーニングに関する基本的なアイデアをベイジアンの世界に橋渡しします。 このフレームワークにより、離散的かつ連続的なエッジ特徴を持つグラフを考慮し、いくつかの分類タスクで最先端に達するのに十分な教師なしの埋め込みを生成することができる。
  論文  参考訳（メタデータ） (2022-02-24T20:18:41Z)
• 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)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)

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。