論文の概要: OgBench: A Framework for Evaluating Graph Neural Networks on Omics Data

• arxiv url: http://arxiv.org/abs/2605.15511v1
• Date: Fri, 15 May 2026 01:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 03:45:13.147638
• Title: OgBench: A Framework for Evaluating Graph Neural Networks on Omics Data
• Title（参考訳）: OgBench:Omicsデータに基づくグラフニューラルネットワーク評価フレームワーク
• Authors: Louisa Cornelis, Johan Mathe, Louis Van Langendonck, Guillermo Bernárdez, Nina Miolane,
• Abstract要約: OgBenchは、オミクスデータの特徴である$n ll p$構造におけるグラフレベルの予測のためのベンチマークプラットフォームである。 我々は、生のオミクスデータから様々な構造特性を持つ特徴グラフのファミリーまで、標準化されたエンドツーエンドのモジュラーインフラストラクチャを提供する。 その結果、広く使われているGNNは、単純さや古典的なベースラインを上回りません。
• 参考スコア（独自算出の注目度）: 7.184580333425587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have become the dominant framework for inductive graph-level learning. Yet most benchmarks focus on the regime $n \gg p$, where the number of graphs $n$ greatly exceeds the number of nodes per graph $p$. This overlooks biological domains such as omics, which operate in the opposite $n \ll p$ regime, characterized by large graphs of genes, transcripts, or proteins across few patient samples. This raises the question: \textit{how do GNNs perform in this low-sample, high-node omics setting?} We introduce \texttt{OgBench} (Omics-Graph Bench), the first benchmarking platform for graph-level prediction in the $n \ll p$ regime characteristic of omics data. We provide a standardized, end-to-end modular infrastructure from raw omics data to families of featured graphs with varied structural properties. We benchmark classical GNNs, as well as GNNs designed for large graphs and omics applications, alongside MLPs and machine learning baselines to establish reference performances. Our results show that widely used GNNs often do not outperform simple MLPs and classical baselines. These findings challenge the prevailing assumption that graph structure inherently adds value in this domain, fostering a critical reassessment of current learning paradigms. Ultimately, by exposing these limitations, OgBench provides the open-source ecosystem necessary for the community to develop and validate novel architectures explicitly tailored for biological graphs. The code is available at https://github.com/geometric-intelligence/ogbench.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、帰納的グラフレベルの学習において支配的なフレームワークとなっている。 しかし、ほとんどのベンチマークは、グラフ数$n$がグラフ当たりのノード数$p$を大きく上回るレシエーション$n \gg p$に焦点を当てている。 これは、反対の$n \ll p$体制で機能するオミクスのような生物学的ドメインを見落とし、少数の患者サンプルにまたがる遺伝子、転写産物、タンパク質の大きなグラフが特徴である。 GNNは、この低サンプリングでハイノードのオミクス設定でどのように機能するのか? Omics-Graph Bench (Omics-Graph Bench) は、オミクスデータの特徴である$n \ll p$レギュレーション特性において、グラフレベルの予測のための最初のベンチマークプラットフォームである。 我々は、生のオミクスデータから様々な構造特性を持つ特徴グラフのファミリーまで、標準化されたエンドツーエンドのモジュラーインフラストラクチャを提供する。 我々は、古典的なGNNと、大規模なグラフやオミクスアプリケーション用に設計されたGNNを、参照パフォーマンスを確立するためにMLPと機械学習ベースラインとともにベンチマークする。 以上の結果から,広範に使用されているGNNは,単純なMPPや古典的ベースラインを上回りません。 これらの知見は、グラフ構造が本質的にこの領域に価値を加えるという一般的な仮定に挑戦し、現在の学習パラダイムの批判的な再評価を促進する。 最終的に、これらの制限を公開することで、OgBenchは、コミュニティが生物学的グラフに明示的に適合した新しいアーキテクチャを開発し、検証するために必要なオープンソースエコシステムを提供する。 コードはhttps://github.com/geometric-intelligence/ogbench.comで公開されている。

関連論文リスト

• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Taxonomy of Benchmarks in Graph Representation Learning [14.358071994798964]
  グラフニューラルネットワーク(GNN)は、その固有の幾何学を考慮し、ニューラルネットワークの成功をグラフ構造化データに拡張する。 現在、グラフ表現学習ベンチマークによって、与えられたモデルのどの側面が調査されているかはよく分かっていない。 本稿では,グラフの摂動によってGNNの性能がどれだけ変化するかに基づいて,$textitsensitivity profile$に従ってベンチマークデータセットを分類する手法を開発した。
  論文  参考訳（メタデータ） (2022-06-15T18:01:10Z)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)
• Imbalanced Graph Classification via Graph-of-Graph Neural Networks [16.589373163769853]
  グラフニューラルネットワーク(GNN)は、グラフの分類ラベルを識別するグラフ表現の学習において、前例のない成功を収めている。 本稿では,グラフ不均衡問題を軽減する新しいフレームワークであるグラフ・オブ・グラフニューラルネットワーク(G$2$GNN)を提案する。 提案したG$2$GNNは,F1-macroとF1-microのスコアにおいて,多くのベースラインを約5%上回る性能を示した。
  論文  参考訳（メタデータ） (2021-12-01T02:25:47Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Graph Neural Networks with Local Graph Parameters [1.8600631687568656]
  ローカルグラフパラメータは、任意のグラフニューラルネットワーク(GNN)アーキテクチャに追加することができる。 我々の結果は、有限モデル理論と有限変数論理の深い結果とGNNを結びつける。
  論文  参考訳（メタデータ） (2021-06-12T07:43:51Z)
• Improving Graph Neural Network Expressivity via Subgraph Isomorphism Counting [63.04999833264299]
  グラフサブストラクチャネットワーク(GSN)は,サブストラクチャエンコーディングに基づくトポロジ的に認識可能なメッセージパッシング方式である。 Wesfeiler-Leman (WL) グラフ同型テストよりも厳密に表現可能であることを示す。 グラフ分類と回帰タスクについて広範囲に評価を行い、様々な実世界の環境において最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-06-16T15:30:31Z)

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。