論文の概要: Graph Transductive Sharpening: Leveraging Unlabeled Predictions in Node Classification

• arxiv url: http://arxiv.org/abs/2605.20248v1
• Date: Mon, 18 May 2026 06:47:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.233888
• Title: Graph Transductive Sharpening: Leveraging Unlabeled Predictions in Node Classification
• Title（参考訳）: Graph Transductive Sharpening: ノード分類におけるラベルなし予測の活用
• Abstract要約: 完全なグラフが観測されるが、ノードラベルは部分的にしか利用できないトランスダクティブ・セッティングでは、半教師付きノード分類の進歩は主にアーキテクチャの革新に焦点を当てている。 ラベルがない場合にこの信号を抽出する自然な方法として予測信頼度を提案する。 我々は、幅広いノード分類ベンチマークでTransductive Sharpeningを評価し、バックボーンアーキテクチャの変更を必要とせずに一貫したパフォーマンス改善を観察する。
• 参考スコア（独自算出の注目度）: 19.599913552455586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the transductive setting, where the full graph is observed but node labels are only partially available, progress in semi-supervised node classification has largely focused on architectural innovation. In this paper, we revisit an orthogonal axis: the training objective. We start from a simple observation: transductive models produce predictions for every node during training, including nodes without labels. These unlabeled-node predictions may contain useful training signal, but standard supervised objectives discard them because no ground-truth labels are available. Inspired by the decomposition of cross-entropy into a label-dependent alignment term and a label-independent entropy term, we propose prediction confidence as a natural way to extract this signal in the absence of labels. This motivates Transductive Sharpening (TS): a loss-level modification that minimizes prediction entropy on unlabeled nodes while counterbalancing this effect on labeled nodes. We evaluate Transductive Sharpening across a wide range of node-classification benchmarks and observe consistent performance improvements without requiring any changes to the backbone architecture. Code is available at https://github.com/transductive-sharpening/tunedGNN.
• Abstract（参考訳）: 完全なグラフが観測されるが、ノードラベルは部分的にしか利用できないトランスダクティブ・セッティングでは、半教師付きノード分類の進歩は主にアーキテクチャの革新に焦点を当てている。 本稿では,直交軸(トレーニング目標)を再考する。 トランスダクティブモデルは、ラベルのないノードを含むトレーニング中に、各ノードの予測を生成する。 これらのラベル付きノード予測は、有用なトレーニング信号を含むかもしれないが、標準的な教師付き目的は、基底構造ラベルが利用できないため、それらを破棄する。 ラベルに依存しないアライメント項とラベルに依存しないエントロピー項へのクロスエントロピーの分解に着想を得て,ラベルがない場合にこの信号を抽出する自然な方法として予測信頼度を提案する。 これはTransductive Sharpening (TS) を動機付け、ラベル付きノードでの予測エントロピーを最小限に抑えるとともに、ラベル付きノードでのこの効果を対抗させる。 我々は、幅広いノード分類ベンチマークでTransductive Sharpeningを評価し、バックボーンアーキテクチャの変更を必要とせずに一貫したパフォーマンス改善を観察する。 コードはhttps://github.com/transductive-sharpening/tunedGNNで入手できる。

関連論文リスト

• Conformal Inductive Graph Neural Networks [58.450154976190795]
  コンフォーマル予測(CP)は、任意のモデルの出力を真のラベルを含むことが保証された予測セットに変換する。 CPは、有効な分布のないカバレッジを保証するために、i.d.仮定の緩和である交換可能性を必要とする。 従来のCPは、新しいノードとのメッセージパッシングによって生じる(校正)スコアの暗黙的なシフトのため、誘導的な設定では適用できない。 保証が予測時間(例えば、新しいノード/エッジの到着時や後続の瞬間)とは独立に成り立つことを証明します。
  論文  参考訳（メタデータ） (2024-07-12T11:12:49Z)
• A Quasi-Wasserstein Loss for Learning Graph Neural Networks [32.11372485060082]
  グラフ上で定義された最適輸送の助けを借りて、新しい準ワッサーシュタイン(QW)損失を提案する。 提案したQW損失は,様々なグラフニューラルネットワーク(GNN)に適用され,ノードレベルの分類や回帰タスクの性能向上に寄与することを示す。
  論文  参考訳（メタデータ） (2023-10-18T07:39:05Z)
• Towards Label Position Bias in Graph Neural Networks [47.39692033598877]
  グラフニューラルネットワーク(GNN)は、半教師付きノード分類タスクの強力なツールとして登場した。 最近の研究では、ノードの特徴とグラフトポロジの両方から生じるGNNの様々なバイアスが明らかになっている。 本研究では,ラベル付きノードに近いノードの方が性能がよいことを示す,ラベル位置バイアスという新たなバイアスを明らかにする。
  論文  参考訳（メタデータ） (2023-05-25T08:06:42Z)
• UNREAL:Unlabeled Nodes Retrieval and Labeling for Heavily-imbalanced Node Classification [17.23736166919287]
  スクイードラベルの分布は実世界のノード分類タスクでよく見られる。 本稿では,反復的なオーバーサンプリング手法UNREALを提案する。
  論文  参考訳（メタデータ） (2023-03-18T09:23:13Z)
• Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
  Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。 我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-19T10:34:08Z)
• Transductive Linear Probing: A Novel Framework for Few-Shot Node Classification [56.17097897754628]
  自己教師付きグラフと対照的な事前学習による帰納的線形探索は、同じプロトコル下での最先端の完全教師付きメタラーニング手法より優れていることを示す。 この研究が、数ショットのノード分類問題に新たな光を当て、グラフ上のわずかにラベル付けされたインスタンスから学ぶことの今後の研究を促進することを願っている。
  論文  参考訳（メタデータ） (2022-12-11T21:10:34Z)
• 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)
• Structure-Aware Label Smoothing for Graph Neural Networks [39.97741949184259]
  ラベル分布を1ホットベクトルとして表現することは、ノード分類モデルのトレーニングにおいて一般的な方法である。 本稿では,一般的なノード分類モデルに対する拡張成分として,新しいSALS(textitStructure-Aware Label Smoothing)法を提案する。
  論文  参考訳（メタデータ） (2021-12-01T13:48:58Z)
• Why Propagate Alone? Parallel Use of Labels and Features on Graphs [42.01561812621306]
  グラフニューラルネットワーク(GNN)とラベル伝搬は、ノード特性予測などのタスクにおいてグラフ構造を利用するように設計された2つの相互関連モデリング戦略を表す。 ラベルのトリックを2つの要因からなる解釈可能な決定論的学習目標に還元できることを示す。
  論文  参考訳（メタデータ） (2021-10-14T07:34:11Z)
• Noise-robust Graph Learning by Estimating and Leveraging Pairwise Interactions [123.07967420310796]
  本稿では,グラフ上のノイズノード分類のためのペアワイズフレームワークを提案することにより,そのギャップを埋める。 PI-GNNは、ノイズの多いノードクラスラベルからのポイントワイズ学習に加えて、PIを一次学習プロキシとして依存している。 提案するフレームワークPI-GNNは,(1)PIラベルを適応的に推定する信頼度を考慮したPI推定モデル,(2)PIラベルを推定する疎結合トレーニング手法の2つの新しい構成要素に寄与する。
  論文  参考訳（メタデータ） (2021-06-14T14:23:08Z)
• On the Equivalence of Decoupled Graph Convolution Network and Label Propagation [60.34028546202372]
  いくつかの研究は、カップリングがデカップリングよりも劣っていることを示している。 有効性にもかかわらず、疎結合GCNの作用機構はよく理解されていない。 本稿では,分離GCNの欠陥を克服する適応的学習法(PTA)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T13:57:39Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。