論文の概要: ALINC: Active Learning for Inductive Node Classification via Graph Sampling

• arxiv url: http://arxiv.org/abs/2606.04647v1
• Date: Wed, 03 Jun 2026 09:15:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.652467
• Title: ALINC: Active Learning for Inductive Node Classification via Graph Sampling
• Title（参考訳）: ALINC:グラフサンプリングによる帰納的ノード分類のためのアクティブラーニング
• Authors: Pascal Plettenberg, Denis Huseljic, André Alcalde, Bernhard Sick, Josephine M. Thomas,
• Abstract要約: グラフサンプリングによる帰納的ノード分類のためのALフレームワークであるALINCを紹介する。 ノードレベルのユーティリティ尺度をグラフレベルの選択基準に高めることで、既存の方法論的ギャップを埋める。 ALINCは分子のサイト・オブ・メタボリズム予測とプリント基板設計の自動化の2つのユースケースで有効であることを示す。
• 参考スコア（独自算出の注目度）: 5.2304423040778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active learning (AL) for node classification typically focuses on selecting the most informative nodes for annotation within one or a few large graphs (e.g., in social network analysis). However, in other domains, such as molecular chemistry or electronic design automation, datasets consist of thousands of independent graphs. In many of these inductive settings, annotating an individual node requires a full-graph analysis, which effectively yields the remaining node labels on-the-fly. Therefore, these scenarios require AL strategies that select entire graphs instead of single nodes, a problem which has not been tackled in the literature so far. Thus, we introduce ALINC, an AL framework for inductive node classification via graph sampling. It bridges the existing methodological gap by elevating node-level utility measures to graph-level selection criteria through various aggregation mechanisms. In an extensive benchmark including ten strategies, three aggregation methods, and four datasets, we identify CoreSet, TypiClust, and BADGE as the top-performing graph sampling strategies. Our detailed analysis further reveals that the choice of the aggregation method is pivotal, as it substantially affects model performance and annotation costs. Finally, we demonstrate the effectiveness of ALINC in two use case studies: site-of-metabolism prediction in molecules and design automation of printed circuit board schematics.
• Abstract（参考訳）: ノード分類のためのアクティブラーニング(AL)は、一般的に1つまたは少数の大きなグラフ(例えば、ソーシャルネットワーク分析)内でアノテーションのための最も情報性の高いノードを選択することに焦点を当てる。 しかし、分子化学や電子設計自動化といった他の領域では、データセットは何千もの独立したグラフで構成されている。 これらのインダクティブな設定の多くでは、個々のノードに注釈を付けるにはフルグラフ解析が必要である。 したがって、これらのシナリオは単一ノードではなくグラフ全体を選択するAL戦略を必要とする。 そこで我々は,グラフサンプリングによる帰納的ノード分類のためのALフレームワークであるALINCを紹介する。 ノードレベルのユーティリティ尺度をグラフレベルの選択基準に高め、様々なアグリゲーション機構を通じて既存の方法論的ギャップを橋渡しする。 10つの戦略、3つのアグリゲーションメソッド、4つのデータセットを含む広範なベンチマークでは、CoreSet、TypiClust、BADGEをグラフサンプリング戦略のトップパフォーマンスとして識別する。 さらに詳細な分析により,モデルの性能やアノテーションのコストに大きく影響するため,アグリゲーション手法の選択が重要であることが明らかとなった。 最後に、ALINCの有効性を2つのユースケースとして、分子のサイト・オブ・メタボリズム予測とプリント基板設計の自動化について示す。

関連論文リスト

• Deep Generative Models for Subgraph Prediction [10.56335881963895]
  本稿では,深層グラフ学習のための新しい課題として,サブグラフクエリを提案する。 サブグラフクエリは、観測されたサブグラフで表される証拠に基づいて、ターゲットサブグラフのコンポーネントを共同で予測する。 我々は,確率論的深部グラフ生成モデルを用いて,サブグラフクエリに回答する。
  論文  参考訳（メタデータ） (2024-08-07T19:24:02Z)
• DiffusAL: Coupling Active Learning with Graph Diffusion for Label-Efficient Node Classification [1.0602247913671219]
  我々はDiffusALと呼ばれる新しいグラフ学習手法を導入し、多様な設定において大きな堅牢性を示す。 取得とトレーニングの計算のほとんどは事前処理が可能であり、Diffusalは多様な選択基準を組み合わせたアプローチに比べて効率的である。 各種ベンチマークデータセットを用いた実験により, 従来の手法と異なり, テスト対象のデータセットとラベルの予算の100%において, ランダム選択を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-07-31T20:30:13Z)
• A Simple and Scalable Graph Neural Network for Large Directed Graphs [11.792826520370774]
  入力グラフ内のノード表現とエッジ方向認識の様々な組み合わせについて検討する。 そこで本研究では,A2DUGを簡易かつ包括的に分類する手法を提案する。 我々は、A2DUGが様々なデータセットで安定して動作し、最先端の手法と比較して11.29まで精度が向上することを示した。
  論文  参考訳（メタデータ） (2023-06-14T06:24:58Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。