論文の概要: UFO: A Unified Flow-Oriented Framework for Robust Continual Graph Learning
- arxiv url: http://arxiv.org/abs/2605.09862v1
- Date: Mon, 11 May 2026 01:49:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.461054
- Title: UFO: A Unified Flow-Oriented Framework for Robust Continual Graph Learning
- Title（参考訳）: UFO:ロバストな連続グラフ学習のための統一フロー指向フレームワーク
- Authors: Danhui Zhang, Zhe Wang, Qing Qing, Jiarui Liu, Wentao Gao, Ziqi Xu, Mingliang Hou, Xikun Zhang, Renqiang Luo,
- Abstract要約: 連続グラフ学習の堅牢性について検討し、そこではモデルが破滅的な忘れと騒々しい監視を同時に扱わなければならない。
これらの課題に対処するための統一フロー指向フレームワーク(UFO)を提案する。
ノイズ比の異なる4つのベンチマークグラフデータセットの実験では、UFOは既存の手法よりも精度が良く、メトリクスを忘れている。
- 参考スコア（独自算出の注目度）: 10.817802013221076
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph learning research has increasingly shifted toward continual graph learning (CGL), which better reflects real-world scenarios where graphs evolve over time. However, existing CGL methods largely assume clean supervision and overlook a critical challenge: the newly arriving portions of the graph are often noisy, due to annotation errors or adversarial corruption. This mismatch limits their applicability in practice. In this work, we study robust continual graph learning, where models must simultaneously handle catastrophic forgetting and noisy supervision in evolving graph data. We show that label noise introduces a new failure mode, catastrophic remembering, where models persistently reinforce corrupted knowledge across tasks. To address these challenges, we propose a Unified Flow-Oriented framework (UFO). First, UFO models conditional feature distributions via flow-based generative modeling and produces replay representations, mitigating forgetting without storing historical data. Second, UFO estimates instance-level reliability scores to distinguish clean from noisy nodes, reducing the impact of corrupted supervision and alleviating catastrophic remembering. Extensive experiments on four benchmark graph datasets under varying noise ratios demonstrate that UFO consistently outperforms existing methods in both accuracy and forgetting metrics. Code is available at: https://anonymous.4open.science/r/UFO.
- Abstract（参考訳）: グラフ学習の研究は、時間とともにグラフが進化する現実のシナリオをよりよく反映した連続グラフ学習(CGL)へと、ますます移行している。
しかし、既存のCGLメソッドは、しばしばクリーンな監視を前提としており、重要な課題を見落としている。
このミスマッチは実践上の適用性を制限します。
本研究では,グラフデータの進化において,モデルが破滅的な記憶とノイズを同時に扱わなければならない頑健な連続グラフ学習について検討する。
ラベルノイズは新しい障害モード、破滅的記憶を導入し、モデルがタスク全体にわたって腐敗した知識を継続的に強化することを示した。
これらの課題に対処するため、我々はUnified Flow-Oriented framework (UFO)を提案する。
まず、UFOはフローベース生成モデルを用いて条件付き特徴分布をモデル化し、リプレイ表現を生成し、履歴データを保存せずに忘れを緩和する。
第2に、UFOはインスタンスレベルの信頼性スコアを見積もって、クリーンなノードとノイズの多いノードを区別し、腐敗した監視の影響を減らし、破滅的な記憶を緩和します。
ノイズ比の異なる4つのベンチマークグラフデータセットに対する大規模な実験は、UFOが既存の手法よりも精度とメトリクスの忘れ方が一貫して優れていることを示している。
コードは、https://anonymous.4open.science/r/UFOで入手できる。
関連論文リスト
- DeNoise: Learning Robust Graph Representations for Unsupervised Graph-Level Anomaly Detection [10.668211481464722]
教師なしグラフレベルの異常検出(UGAD)が重要な課題となっている。
ほとんどのグラフニューラルネットワーク(GNN)アプローチは、トレーニングセットがクリーンであると暗黙的に仮定している。
汚染されたトレーニングデータ用に明示的に設計された堅牢なUGADフレームワークであるDeNoiseを提案する。
論文 参考訳（メタデータ） (2025-11-06T05:51:35Z) - Cross-Paradigm Graph Backdoor Attacks with Promptable Subgraph Triggers [49.77729302007601]
グラフニューラルネットワーク(GNN)は、モデル予測を操作するために悪意のあるトリガーを敵に埋め込むバックドア攻撃に対して脆弱である。
既存のトリガジェネレータは構造が単純で、特定の特徴に過度に依存し、単一のグラフ学習パラダイムに集約されることが多い。
本稿では,新たな転送可能なグラフバックドアアタックであるPromptable Subgraph Triggers (CP-GBA) を用いたクロスパラダイムグラフバックドアアタックを提案する。
論文 参考訳（メタデータ） (2025-10-26T07:10:07Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z) - Data-Agnostic Model Poisoning against Federated Learning: A Graph
Autoencoder Approach [65.2993866461477]
本稿では,フェデレートラーニング(FL)に対するデータに依存しないモデル中毒攻撃を提案する。
この攻撃はFLトレーニングデータの知識を必要とせず、有効性と検出不能の両方を達成する。
実験により、FLの精度は提案した攻撃の下で徐々に低下し、既存の防御機構では検出できないことが示された。
論文 参考訳（メタデータ） (2023-11-30T12:19:10Z) - Adapting to Change: Robust Counterfactual Explanations in Dynamic Data
Landscapes [9.943459106509687]
我々は、新しい半教師付きグラフカウンターファクトExplainer(GCE)方法論、ダイナミックGRAphカウンタファクトExplainer(DyGRACE)を紹介する。
これは、データ配布に関する初期知識を活用して、有効な偽物を探すと同時に、後続の時間ステップにおいて、潜在的に時代遅れな決定関数からの情報を使用することを避けます。
DyGRACEは非常に効果的でドリフト検出器として機能し、反復間の再構成誤差の違いに基づいて分布ドリフトを識別する。
論文 参考訳（メタデータ） (2023-08-04T14:41:03Z) - Generated Graph Detection [27.591612297045817]
グラフ生成モデルは、データ分散近似とデータ拡張にますます効果的になる。
4つの分類シナリオにおいて、洗練されたモデルの集合とその性能を調査する最初のフレームワークを提案する。
私たちのソリューションは、生成されたグラフの誤用を抑制するのに十分な期間維持できます。
論文 参考訳（メタデータ） (2023-06-13T13:18:04Z) - Contrastive Graph Few-Shot Learning [67.01464711379187]
グラフマイニングタスクのためのコントラストグラフFew-shot Learningフレームワーク(CGFL)を提案する。
CGFLは、データ表現を自己管理的に学習し、分散シフトの影響を緩和し、より良い一般化を行う。
総合的な実験により、CGFLはいくつかのグラフマイニングタスクにおいて最先端のベースラインより優れていることが示された。
論文 参考訳（メタデータ） (2022-09-30T20:40:23Z) - Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。
グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。
実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。
ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。
分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文 参考訳（メタデータ） (2021-10-20T14:23:54Z) - Spatio-Temporal Graph Contrastive Learning [49.132528449909316]
これらの問題に対処するための時空間グラフコントラスト学習フレームワーク(STGCL)を提案する。
グラフ構造、時間領域、周波数領域の4種類のデータ拡張について詳述する。
我々のフレームワークは、実世界の3つのデータセットと4つの最先端モデルで評価されている。
論文 参考訳（メタデータ） (2021-08-26T16:05:32Z) - Learning Graphs from Smooth Signals under Moment Uncertainty [23.868075779606425]
与えられたグラフ信号の集合からグラフ構造を推測する問題を検討する。
従来のグラフ学習モデルは、この分布の不確実性を考慮していない。
論文 参考訳（メタデータ） (2021-05-12T06:47:34Z) - Disentangle-based Continual Graph Representation Learning [32.081943985875554]
グラフ埋め込み(GE)メソッドは、グラフ内のノード(および/またはエッジ)を低次元の意味空間に埋め込む。
既存のGEモデルは、受信データのストリーミング特性を見落としているため、現実のアプリケーションでは実用的ではない。
本稿では,人間の手続き的知識の学習能力に触発された,アンタングルに基づく連続グラフ表現学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-06T09:20:30Z)
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。