論文の概要: When Design Rules Break: Benchmark Composition Determines Whether Label Informativeness Predicts GNN Aggregator Choice

• arxiv url: http://arxiv.org/abs/2606.10249v1
• Date: Mon, 08 Jun 2026 23:36:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.228153
• Title: When Design Rules Break: Benchmark Composition Determines Whether Label Informativeness Predicts GNN Aggregator Choice
• Title（参考訳）: 設計規則が破られたとき: ベンチマークによる構成決定は、ラベルのインフォームティビティがGNNアグリゲータの選択を予測する
• Authors: Neha Sharma, Ritesh Sharma,
• Abstract要約: グラフニューラルネットワーク(GNN)設計規則は、ベンチマークファミリにまたがって一般化される。 我々は、引用、異好性、LINKX Facebook-100、共購入、共オーサシップグラフにまたがる24のノード分類データセットに対して、アグリゲータ選択(sum, mean, max)について検討した。 以上の結果から, 設計規則が一般化するか否かは, 数値的不整合ではなく, ベンチマーク組成によって決定される可能性が示唆された。
• 参考スコア（独自算出の注目度）: 2.1067460775364286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We examine whether graph neural network (GNN) design rules generalize across benchmark families by studying aggregator selection (sum, mean, max) on 24 node-classification datasets spanning citation, heterophilic, LINKX Facebook-100, co-purchase, and co-authorship graphs. Edge homophily is only weakly predictive of the GIN-Sum versus GIN-Mean performance gap. Label informativeness predicts this gap well on legacy benchmarks but degrades substantially when Facebook-100 graphs are included. In these dense friendship networks, near-zero label informativeness coexists with a strong preference for sum aggregation, producing gains of 7-10% and up to 13% under extended training. Stochastic block model ablations, including degree-corrected variants matching Facebook-100 degree scales, fail to reproduce this behavior, indicating that mean degree alone does not explain the effect. Among several label-independent graph statistics, the spectral gap uniquely distinguishes these graphs from other low-informativeness datasets, with the effect localized to one-hop neighborhoods and replicated across architectures. We further identify training regimes that interact with aggregator choice and show that PNA can underperform the best single-aggregator GIN on standard citation benchmarks. Our results suggest that benchmark composition, rather than numerical insufficiency, determines whether design rules appear to generalize, and that the Facebook-100 regime provides a concrete target for future adaptive aggregation methods.
• Abstract（参考訳）: 我々は,グラフニューラルネットワーク(GNN)の設計規則が,引用,ヘテロ親和性,LINKX Facebook-100,共購入,共オーサシップグラフにまたがる24ノード分類データセットに対して,アグリゲータ選択(sum, mean, max)を研究することによって,ベンチマークファミリ間で一般化するかどうかを検討する。 エッジホモフィリーは、GIN-SumとGIN-Meanのパフォーマンスギャップを弱く予測するだけである。 Label informativenessは、レガシーベンチマークでこのギャップをうまく予測するが、Facebook-100グラフを含めると大幅に低下する。 これらの密接な友情ネットワークでは、ほぼゼロに近いラベル情報性は総和集合を強く好んで共存し、拡張トレーニングでは7-10%、最大13%の利得を生み出す。 Facebook-100度スケールと一致する程度補正された変種を含む確率的ブロックモデルは、この振る舞いを再現することができず、平均次数だけでは効果を説明できないことを示している。 いくつかのラベルに依存しないグラフ統計の中で、スペクトルギャップはこれらのグラフと他の低情報量データセットを区別し、その効果はワンホップ地区に局在し、アーキテクチャにわたって複製される。 さらに、アグリゲータ選択と相互作用するトレーニング体制を特定し、標準引用ベンチマークにおいて、PNAが最高の単一集約GINを過小評価できることを示す。 以上の結果から, 設計規則が一般化するかどうかを判断し, 将来的な適応アグリゲーション手法の具体的ターゲットとしてFacebook-100が提案されることが示唆された。

関連論文リスト

• PANC: Prior-Aware Normalized Cut for Object Segmentation [0.0]
  本稿では,最小限の注釈付き視覚トークンを用いた弱教師付きスペクトルセグメンテーションフレームワークを提案する。 均質, 細粒, テクスチャ制限ドメインについて, 強い結果を報告した。 マルチオブジェクトベンチマークでは、明示的でユーザ制御可能なセマンティックセマンティックセグメンテーションが紹介されている。
  論文  参考訳（メタデータ） (2026-02-06T18:07:20Z)
• DREAM: Dual-Standard Semantic Homogeneity with Dynamic Optimization for Graph Learning with Label Noise [53.55187452152358]
  本稿では,ラベル付きグラフ上での信頼度,関係インフォームド最適化のためのDREAM(Dual-Standard Semantic Homogeneity with Dynamic Optimization)を提案する。 具体的には、グラフ内の各ラベル付きノードの信頼性を反復的に再評価するリレーショナルインフォームド動的最適化フレームワークを設計する。
  論文  参考訳（メタデータ） (2026-01-24T12:54:18Z)
• CGLE: Class-label Graph Link Estimator for Link Prediction [10.111824396356543]
  CGLE(Class-label Graph Link Estimator)は、GNNベースのリンク予測モデルを拡張するために設計された新しいフレームワークである。 CGLEはクラス条件のリンク確率行列を構成する。 効率的な前処理の段階でカプセル化され、基礎となるGNNモデルの計算複雑性は影響を受けないままである。
  論文  参考訳（メタデータ） (2025-11-10T11:34:36Z)
• Edge Weight Prediction For Category-Agnostic Pose Estimation [12.308036453869033]
  Category-Agnostic Pose Estimation (CAPE) は、様々なオブジェクトカテゴリにまたがるキーポイントを1つのモデルでローカライズする。 グラフのエッジ重みを予測することによって制限を克服する新しいフレームワークであるEdgeCapeを紹介する。 これにより,グローバルな空間依存を捕捉するモデルの能力が向上することを示す。
  論文  参考訳（メタデータ） (2024-11-25T18:53:09Z)
• The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
  ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。 観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。 さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-06-18T12:16:00Z)
• 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)
• How Graph Structure and Label Dependencies Contribute to Node Classification in a Large Network of Documents [0.0]
  ウィキビタルス(WikiVitals)という新しいデータセットを導入する。 本研究の目的は, 半教師付きノード分類設定において, ラベル予測に対する3つの異なる情報源の貢献度を厳格に評価することである。
  論文  参考訳（メタデータ） (2023-04-03T08:46:43Z)
• Adaptive Graph-Based Feature Normalization for Facial Expression Recognition [1.2246649738388389]
  データ不確実性から表情認識モデルを保護するために,適応グラフに基づく特徴正規化(AGFN)手法を提案する。 我々の手法は、ベンチマークデータセットで91.84%、91.11%の精度で最先端の作業より優れています。
  論文  参考訳（メタデータ） (2022-07-22T14:57:56Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• Stable Prediction on Graphs with Agnostic Distribution Shift [105.12836224149633]
  グラフニューラルネットワーク(GNN)は、ランダムにトレーニングとテストデータを分離した様々なグラフタスクに有効であることが示されている。 しかし、実際のアプリケーションでは、トレーニンググラフの分布はテストグラフとは異なるかもしれない。 本稿では,グラフ上での局所的およびグローバル的に安定な学習と予測を可能にする,GNNのための新しい安定な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-08T02:45:47Z)
• Graph Classification by Mixture of Diverse Experts [67.33716357951235]
  我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。 GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。 実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-29T14:03:03Z)

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。