論文の概要: MLGIB: Multi-Label Graph Information Bottleneck for Expressive and Robust Message Passing

• arxiv url: http://arxiv.org/abs/2605.13126v2
• Date: Thu, 14 May 2026 10:59:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 15:19:49.91628
• Title: MLGIB: Multi-Label Graph Information Bottleneck for Expressive and Robust Message Passing
• Title（参考訳）: MLGIB: 表現的およびロバストなメッセージパッシングのためのマルチラベルグラフ情報ブートネック
• Authors: Chaokai Wu, Haofu Shi, Ningxuan Ma, Jianghong Ma, Xiaofeng Zhang,
• Abstract要約: グラフニューラルネットワーク(GNN)はディープメッセージパッシングの過度なシャッシングに悩まされ、指数関数的に成長する近隣からの情報は固定次元の表現に圧縮される。 マルチラベルグラフにおいて,この問題は個別の障害モードとなり,ノイズのあるラベル情報によって予測信号が希薄になることを示す。 本稿では,無関係なラベル雑音下での制約情報伝達としてマルチラベルメッセージパッシングを定式化するマルチラベルグラフ情報ボトルネック(MLGIB)を提案する。
• 参考スコア（独自算出の注目度）: 12.034223244199902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) suffer from over-squashing in deep message passing, where information from exponentially growing neighborhoods is compressed into fixed-dimensional representations. We show that this issue becomes a distinct failure mode in multi-label graphs: neighboring nodes often share only limited labels while differing across many irrelevant ones, causing predictive signals to be diluted by noisy label information. To address this challenge, we propose the Multi-Label Graph Information Bottleneck (MLGIB), which formulates multi-label message passing as constrained information transmission under irrelevant label noise. MLGIB balances expressiveness and robustness by preserving predictive label signals while suppressing irrelevant noise. Specifically, it constructs a Markovian dependence space and derives tractable variational bounds, where the lower bound maximizes mutual information with target labels and the upper bound constrains redundant source information. These bounds lead to an end-to-end label-aware message-passing architecture. Extensive experiments on multiple benchmarks demonstrate consistent improvements over existing methods, validating the effectiveness and generality of the proposed framework.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)はディープメッセージパッシングの過度なシャッシングに悩まされ、指数関数的に成長する近隣からの情報は固定次元の表現に圧縮される。 近隣ノードは限定されたラベルしか共有しないが、多くの無関係なノードで異なる場合があり、ノイズの多いラベル情報によって予測信号が希薄になる。 この課題に対処するために,無関係なラベル雑音下での制約情報伝達として,マルチラベルメッセージパッシングを定式化するMLGIB(Multi-Label Graph Information Bottleneck)を提案する。 MLGIBは、無関係な雑音を抑えながら予測ラベル信号を保存することで、表現性と頑健さのバランスをとる。 具体的には、マルコフ依存空間を構築し、トラクタブルな変動境界を導出し、下限はターゲットラベルとの相互情報を最大化し、上限は冗長な情報源情報を導出する。 これらの境界は、エンドツーエンドのラベル対応メッセージパッシングアーキテクチャに繋がる。 複数のベンチマークに関する大規模な実験は、既存の手法よりも一貫した改善を示し、提案フレームワークの有効性と汎用性を検証した。

関連論文リスト

• Identifying and Correcting Label Noise for Robust GNNs via Influence Contradiction [25.627750818623884]
  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から学習する際、顕著な能力を示している。 実シナリオにおけるラベルノイズの存在は、堅牢なGNNを学ぶ上で大きな課題となる。 ノイズラベルがもたらす課題を効果的に緩和するために,グラフの構造情報を活用する ICGNN という新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-01-24T14:07:07Z)
• Echoless Label-Based Pre-computation for Memory-Efficient Heterogeneous Graph Learning [70.73716819236627]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフの深層学習に広く用いられている。 HGNNは、トレーニング中に繰り返しメッセージパッシングを必要とし、大規模な実世界のグラフの効率を制限している。 プリプロセッシング時にのみメッセージパッシングを行うプリ計算ベースのHGNNを提案する。
  論文  参考訳（メタデータ） (2025-11-14T08:53:39Z)
• Correlation-Aware Graph Convolutional Networks for Multi-Label Node Classification [32.4968073593255]
  マルチラベルノード分類のための相関対応グラフ畳み込みネットワーク(CorGCN)を提案する。 CorGCNは新しい相関対応グラフ分解モジュールを導入することで、ラベルごとにリッチなラベル関連情報を含むグラフを学習できる。
  論文  参考訳（メタデータ） (2024-11-26T11:52:47Z)
• ERASE: Error-Resilient Representation Learning on Graphs for Label Noise Tolerance [53.73316938815873]
  本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。 ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。 提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
  論文  参考訳（メタデータ） (2023-12-13T17:59:07Z)
• ALEX: Towards Effective Graph Transfer Learning with Noisy Labels [11.115297917940829]
  本稿では,グラフ伝達学習の課題に対処するため,バランスアライメントと情報認識試験(ALEX)と呼ばれる新しい手法を提案する。 ALEXはまず特異値分解を使用して、重要な構造的意味論を持つ異なるビューを生成し、堅牢なノード表現を提供する。 この基礎の上に構築され、複雑なマルチモーダル分布の暗黙的な領域アライメントのために、対向領域判別器が組み込まれている。
  論文  参考訳（メタデータ） (2023-09-26T04:59:49Z)
• Learning on Graphs under Label Noise [5.909452203428086]
  我々は,ラベルノイズのあるグラフ上での学習問題を解決するために,CGNN(Consistent Graph Neural Network)と呼ばれる新しいアプローチを開発した。 具体的には、グラフの対比学習を正規化用語として採用し、拡張ノードの2つのビューが一貫した表現を持つように促進する。 グラフ上の雑音ラベルを検出するために,ホモフィリー仮定に基づくサンプル選択手法を提案する。
  論文  参考訳（メタデータ） (2023-06-14T01:38:01Z)
• Label Noise-Resistant Mean Teaching for Weakly Supervised Fake News Detection [93.6222609806278]
  本稿では,弱い教師付き偽ニュース検出のためのラベル雑音耐性平均教育手法 (LNMT) を提案する。 LNMTは、未ラベルのニュースとユーザのフィードバックコメントを活用して、トレーニングデータの量を増やす。 LNMTはラベル伝搬とラベル信頼性推定を備えた平均教師フレームワークを確立する。
  論文  参考訳（メタデータ） (2022-06-10T16:01:58Z)
• Informative Pseudo-Labeling for Graph Neural Networks with Few Labels [12.83841767562179]
  グラフニューラルネットワーク(GNN)は、グラフ上の半教師付きノード分類のための最先端の結果を得た。 非常に少数のレーベルでGNNを効果的に学習する方法の課題は、まだ解明されていない。 我々は、非常に少ないラベルを持つGNNの学習を容易にするために、InfoGNNと呼ばれる新しい情報的擬似ラベルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-20T01:49:30Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)
• Learn to Propagate Reliably on Noisy Affinity Graphs [69.97364913330989]
  近年の研究では,ラベル伝搬によるラベル付きデータの利用により,ラベル付けコストを大幅に削減できることが示されている。 ラベルを確実に伝播する方法、特に未知の外れ値を持つデータセットでは、依然として未解決の問題である。 本稿では,大規模実世界のデータ上でラベルを確実に伝播させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-17T07:55:59Z)

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。