論文の概要: The Post-GCN Decade Revisited: Curvature-Stratified Evaluation of Relational Learning

• arxiv url: http://arxiv.org/abs/2606.06397v1
• Date: Thu, 04 Jun 2026 17:05:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.986165
• Title: The Post-GCN Decade Revisited: Curvature-Stratified Evaluation of Relational Learning
• Title（参考訳）: GCN後10年を振り返る:関係学習の曲率的評価
• Authors: Shuo Wang, Xiangyu Wang, Quanxin Wang, Bailin Wu, Bokui Wang, Shunyang Huang, Boyan Deng, Haonan Liu, Ruiyi Fang, Zhenxiang Xu, Boyu Wang, Zhao Kang,
• Abstract要約: 本研究では,モデルの有効性を規定する重要な潜在因子として,固有幾何を同定する。 本稿では,データセットを正,負,ほぼゼロの曲率に分割する曲率階層化評価フレームワークを提案する。 モデルランキングは各曲率レギュラーにおいて非常に安定であるが、レギュラー間で大きく変化しており、性能は基本的に幾何学に依存していることを示している。
• 参考スコア（独自算出の注目度）: 14.724143004818961
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current evaluation practices in relational learning rely heavily on flat leaderboards that average performance across heterogeneous datasets, implicitly assuming a uniform underlying structure. We show that this assumption introduces systematic bias: it obscures geometry-dependent performance variations and can lead to misleading conclusions about model generalization. In this work, we identify intrinsic geometry as a key latent factor governing model effectiveness. We demonstrate that conventional aggregated metrics mask critical performance trade-offs that only become visible when datasets are stratified by their geometric properties. To address this issue, we introduce a curvature-stratified evaluation framework that partitions datasets into positive, negative, and near-zero curvature regimes. Our benchmark evaluates 18 representative models including Graph Convolutional Networks (GCNs), Graph Foundation Models (GFMs), and tabular learning methods across 14 datasets. We find that model rankings are highly stable within each curvature regime but shift significantly across regimes, indicating that performance is fundamentally geometry-dependent rather than universally transferable. Notably, we identify regimes where GFMs offer diminishing returns compared to geometry-aligned GNNs. Based on these findings, we propose a geometry-aware evaluation protocol that yields more reliable and interpretable comparisons than standard aggregated benchmarks. We release all code, curvature-stratified dataset splits, and evaluation tools to support reproducible and rigorous assessment of future relational learning methods. Code and datasets are provided in our project homepage: https://sirbabbage.github.io/CurvBench_HOME/.
• Abstract（参考訳）: リレーショナル学習における現在の評価プラクティスは、均一な基盤構造を暗黙的に仮定して、異種データセットの平均的なパフォーマンスを示すフラットなリーダボードに大きく依存している。 この仮定は、幾何学に依存した性能の変動を曖昧にし、モデル一般化に関する誤解を招く可能性がある。 本研究では,モデルの有効性を規定する重要な潜在因子として,固有幾何を同定する。 従来の集約されたメトリクスは、データセットが幾何学的性質によって成層化されるときにのみ見えるような、重要なパフォーマンストレードオフを隠蔽する。 この問題に対処するために、データセットを正、負、ほぼゼロの曲率に分割する曲率階層評価フレームワークを導入する。 ベンチマークでは、GCN(Graph Convolutional Networks)、GFM(Graph Foundation Models)、14データセットにわたる表型学習手法を含む18の代表的なモデルを評価した。 モデルランキングは各曲率レギュラー内で非常に安定であるが、レギュラー間で大きく変化しており、性能は普遍的に遷移可能というよりは基本的に幾何学に依存していることを示している。 特に、GFMが幾何学的に整列したGNNと比較して、リターンが低下するレジームを識別する。 これらの結果に基づいて,標準集約ベンチマークよりも信頼性が高く解釈可能な比較を行う幾何学的評価プロトコルを提案する。 すべてのコード、曲率階層化されたデータセット分割、および将来の関係学習手法の再現性と厳密な評価を支援する評価ツールをリリースする。 コードとデータセットはプロジェクトのホームページで公開されています。

関連論文リスト

• On Large-scale Evaluation of Embedding Models for Knowledge Graph Completion [1.2703808802607108]
  知識グラフ埋め込み(KGE)モデルは知識グラフ補完のために広く研究されている。 標準的な評価基準は、欠落した三重項を正確に予測するためのモデルを罰するクローズドワールドの仮定に依存している。 本稿では,大規模データセットFB-CVT-REVとFB+CVT-REVの4つの代表的なKGEモデルを包括的に評価する。
  論文  参考訳（メタデータ） (2025-04-11T20:49:02Z)
• ACTGNN: Assessment of Clustering Tendency with Synthetically-Trained Graph Neural Networks [4.668678950572517]
  ACTGNNは、データのグラフ表現を利用してクラスタリング傾向を評価するために設計されたグラフベースのフレームワークである。 グラフニューラルネットワーク(GNN)は、合成データセットのみにトレーニングされており、クラスタ構造を堅牢に学習することができる。 その結果,提案手法の一般化性と有効性を強調し,ロバストなクラスタリング傾向評価のための有望なツールとなった。
  論文  参考訳（メタデータ） (2025-01-30T03:31:26Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Strengthening structural baselines for graph classification using Local Topological Profile [0.0]
  本稿では,グラフ分類に広く用いられている構造的ベースラインを形成するトポロジカルグラフ記述子Local Degree Profile (LDP) の解析について述べる。 そこで我々は,新たな集中度尺度と局所記述子を用いて LDP を拡張したローカルトポロジカルプロファイル (adam) と呼ばれる新しいベースラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-01T08:59:58Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。