論文の概要: AbstainGNN: Teaching Graph Neural Networks to Abstain for Graph Classification

• arxiv url: http://arxiv.org/abs/2605.30786v1
• Date: Fri, 29 May 2026 03:21:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.363257
• Title: AbstainGNN: Teaching Graph Neural Networks to Abstain for Graph Classification
• Title（参考訳）: AbstainGNN: グラフ分類のためのグラフニューラルネットワークの学習
• Authors: Xixun Lin, Zhiheng Zhou, Zhengyin Zhang, Yancheng Chen, Shuai Zhang, Ge Zhang, Shichao Zhu, Lixin Zou, Chuan Zhou, Peng Zhang, Shirui Pan, Yanan Cao,
• Abstract要約: AbstainGNNはグラフ分類のための新しい理論駆動のフレームワークである。 予測関数と禁忌関数の両方を明示的にモデル化し、グラフ構造情報の有効利用を可能にする。 5つのベンチマークデータセットの実験によると、AbstainGNNは既存の禁忌法より優れている。
• 参考スコア（独自算出の注目度）: 56.26852966986448
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph classification is a core task in graph data mining with widespread real-world applications. Recent advances in graph neural networks (GNNs) have led to substantial performance improvements for graph classification. However, existing GNNs are typically forced to make predictions even under high uncertainty or unknown conditions, resulting in unreliable decisions that can severely impact downstream tasks, particularly in safety-critical scenarios. To address this critical limitation, we propose AbstainGNN, a novel and theory-driven framework for graph classification with abstention, which enables GNNs to reject uncertain predictions instead of producing incorrect decisions. Specifically, AbstainGNN explicitly models both the predictive function and the abstention function, allowing for effective utilization of graph structural information. Moreover, unlike existing heuristic abstention methods, we theoretically characterize the trade-off between classification errors and rejection costs from a PAC-Bayesian generalization perspective, and derive a unified learning objective for model optimization. Guided by this theoretical insight, we further develop an efficient two-stage training strategy consisting of predictive function warm-start and abstention function calibration. Extensive experiments on five benchmark datasets show that AbstainGNN outperforms existing abstention methods, achieving superior classification performance under the same rejection rates.
• Abstract（参考訳）: グラフ分類は、グラフデータマイニングにおける主要なタスクであり、現実世界のアプリケーションに広く使われている。 グラフニューラルネットワーク(GNN)の最近の進歩により,グラフ分類の性能が大幅に向上した。 しかし、既存のGNNは通常、高い不確実性や未知の条件下であっても予測を強制され、特に安全クリティカルなシナリオにおいて、下流のタスクに深刻な影響を及ぼすような信頼性の低い決定を下す。 この限界に対処するために,グラフ分類のための新しい理論駆動フレームワークであるAbstainGNNを提案する。 具体的には、AbstainGNNは予測関数と吸収関数の両方を明示的にモデル化し、グラフ構造情報の有効利用を可能にする。 さらに、既存のヒューリスティックな棄却法とは異なり、PAC-ベイジアン一般化の観点から分類誤差と拒絶コストのトレードオフを理論的に特徴づけ、モデル最適化のための統一学習目標を導出する。 この理論的な知見に導かれ、予測関数ウォームスタートと停止関数キャリブレーションからなる効率的な2段階トレーニング戦略をさらに発展させる。 5つのベンチマークデータセットの大規模な実験により、AbstainGNNは既存の禁忌法よりも優れており、同じ拒絶率で優れた分類性能を達成している。

関連論文リスト

• Two Birds with One Stone: Enhancing Uncertainty Quantification and Interpretability with Graph Functional Neural Process [27.760002432327962]
  グラフニューラルネットワーク(GNN)は、グラフデータに強力なツールである。 しかし、それらの予測は誤校正され、解釈性に欠ける。 本稿では,新しい不確実性と解釈可能なグラフ分類モデルを提案する。
  論文  参考訳（メタデータ） (2025-08-23T17:48:05Z)
• 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)
• Kolmogorov-Arnold Graph Neural Networks [2.4005219869876453]
  グラフニューラルネットワーク(GNN)は、ネットワークのようなデータから学習する上で優れるが、解釈性に欠けることが多い。 本稿では,GKAN(Graph Kolmogorov-Arnold Network)を提案する。
  論文  参考訳（メタデータ） (2024-06-26T13:54:59Z)
• Online GNN Evaluation Under Test-time Graph Distribution Shifts [92.4376834462224]
  オンラインGNN評価という新たな研究課題は、よく訓練されたGNNが現実世界の未ラベルグラフに一般化する能力について、貴重な洞察を提供することを目的としている。 我々は、よく訓練されたGNNモデルのテスト時間一般化誤差を推定するために、LeBeDと呼ばれる効果的な学習行動不一致スコアを開発する。
  論文  参考訳（メタデータ） (2024-03-15T01:28:08Z)
• GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
  本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。 本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。 DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
  論文  参考訳（メタデータ） (2023-10-23T05:51:59Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)

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。