論文の概要: What Makes a Desired Graph for Relational Deep Learning?

• arxiv url: http://arxiv.org/abs/2606.08491v1
• Date: Sun, 07 Jun 2026 07:30:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.142922
• Title: What Makes a Desired Graph for Relational Deep Learning?
• Title（参考訳）: リレーショナルディープラーニングのためのデシレッドグラフの作り方
• Authors: Yao Cheng, Siqiang Luo,
• Abstract要約: データベーススキーマから直接派生したグラフは、グラフリレーショナルネットワーク(GNN)がリレーショナル推論を行うのに適していないことが多い。 深層学習のためのリレーショナルグラフについて検討し、スキーマ由来のグラフが2つの体系的障害(情報過負荷と意味的断片化)に悩まされていることを示す。
• 参考スコア（独自算出の注目度）: 15.512851304695722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relational deep learning (RDL) converts relational databases (RDBs) into heterogeneous graphs, but graphs derived directly from database schemas are often not well suited for how graph neural networks (GNNs) perform relational reasoning. We study what makes a relational graph suitable for deep learning and show that schema-derived graphs suffer from two systematic failures: information overload and semantic fragmentation. Our empirical analysis reveals that the desired graph is not the raw schema, but a result of controlled structural adaptation. Performance depends on balancing two operations: mitigating information overload via filtering, and repairing semantic fragmentation via injection. Specifically, filtering serves as a bias-variance knob with non-monotonic effects, while injection improves performance only when it explicitly restores the relational dependencies missing from the original schema. Based on these findings, we develop an end-to-end structural optimizer that applies both operations to adapt relational graphs automatically. Across 26 tasks spanning classification, regression, and recommendation, the optimized graphs consistently improve accuracy while often reducing inference cost.
• Abstract（参考訳）: リレーショナルディープラーニング(RDL)は、リレーショナルデータベース(RDB)を異種グラフに変換するが、データベーススキーマから直接派生したグラフは、グラフニューラルネットワーク(GNN)がリレーショナル推論を行うのに適していないことが多い。 深層学習に適した関係グラフについて検討し、スキーマ由来のグラフが情報過負荷と意味的断片化という2つの系統的な障害に悩まされていることを示す。 我々の経験的分析により、所望のグラフは生のスキーマではなく、制御された構造適応の結果であることが明らかとなった。 パフォーマンスは2つの操作のバランスに依存する: フィルタリングによる情報過剰の軽減と、インジェクションによるセマンティックフラグメンテーションの修復である。 特に、フィルタリングは非単調なエフェクトを持つバイアス分散ノブとして機能し、インジェクションは元のスキーマから欠落したリレーショナル依存関係を明示的に復元するときにのみパフォーマンスを改善する。 これらの結果に基づいて,両演算を自動で関係グラフに適応させるエンド・ツー・エンド構造最適化器を開発した。 分類、回帰、レコメンデーションにまたがる26のタスクにおいて、最適化されたグラフは推論コストを削減しつつ、常に精度を向上する。

関連論文リスト

• Gaussian Relational Graph Transformer [14.982543038240784]
  GelGTは構造意味的協調サンプリング戦略を持つ関係グラフ変換器である。 さまざまな実世界のデータセットの実験は、GelGTが最先端のダウンストリームタスクのパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-05-15T03:36:28Z)
• Performance Heterogeneity in Graph Neural Networks: Lessons for Architecture Design and Preprocessing [1.1126342180866644]
  グラフニューラルネットワークは、グラフレベルの学習において最もポピュラーなアーキテクチャとして登場した。 優れたパフォーマンスを実現するには、注意深いモデル設計が必要です。 選択的なアプローチを提案する。これは、個々のパフォーマンスがリライトの恩恵を受けるグラフのみを対象としている。
  論文  参考訳（メタデータ） (2025-03-01T16:18:07Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• Invariant Graph Learning Meets Information Bottleneck for Out-of-Distribution Generalization [9.116601683256317]
  本研究では,情報ボトルネック理論に基づく不変グラフ学習(Invariant Graph Learning)という新しいフレームワークを提案する。 具体的には,環境要因に関連するタスク関連情報を圧縮する冗長フィルタを提案する。 合成と実世界の両方のデータセットを用いた実験により,OODの一般化による最先端性能の実現が実証された。
  論文  参考訳（メタデータ） (2024-08-03T07:38:04Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
  グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。 本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。 いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
  論文  参考訳（メタデータ） (2020-03-10T02:33:14Z)

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。