論文の概要: Early-Exit Graph Neural Networks for Link Prediction

• arxiv url: http://arxiv.org/abs/2606.22167v1
• Date: Sat, 20 Jun 2026 17:56:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 22:22:41.84319
• Title: Early-Exit Graph Neural Networks for Link Prediction
• Title（参考訳）: リンク予測のための初期のグラフニューラルネットワーク
• Authors: Roman Knyazhitskiy, Andrea Giuseppe Di Francesco,
• Abstract要約: リンク予測の問題を高速に解くために,グラフニューラルネットワークの早期解法をいかに適用できるかを示す。 この結果から,多くのリンク予測問題に対するGNNの推論速度は,予測品質の面ではほとんど損なわれず,さらに勝率も向上できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks are great for link prediction in various network-like structures; however, the question of their speed/quality tradeoff has been barely studied. While in practice the time it takes to do inference matters little for small benchmarks, the latency does limit applicability in large-scale domains. In this work, we explore early-exiting strategies that can be applied to Graph Neural Networks to solve the problem of link-prediction faster. We use no auxiliary losses to enforce early exiting, allowing it to emerge as an implicit property of the architecture. We show that our method enables early exiting in several setups, moving the Pareto frontier on the HeaRT benchmark for GCN and SAS-GNN backbones. Our findings show that inference speed of GNNs on many link-prediction problems can be improved, while losing little, or even winning in terms of prediction quality. The code is available in our repository: https://github.com/knyazer/link_prediction.
• Abstract（参考訳）: グラフニューラルネットワークは、様々なネットワーク構造におけるリンク予測に最適であるが、その速度と品質のトレードオフに関する問題はほとんど研究されていない。 実際には、小さなベンチマークでは推論に要する時間がほとんどないが、レイテンシは大規模ドメインでの適用性を制限している。 本研究では,グラフニューラルネットワークに適用可能な早期発見戦略を探索し,リンク予測の問題を高速に解決する。 早期退去を強制するために補助的な損失は一切使わず、アーキテクチャの暗黙的な特性として現れます。 本稿では,GCN と SAS-GNN のバックボーンに対して,HeaRT ベンチマーク上で Pareto フロンティアを移動させることにより,いくつかの設定で早期終了を可能にすることを示す。 この結果から,多くのリンク予測問題に対するGNNの推論速度は,予測品質の面ではほとんど損なわれず,さらに勝率も向上できることがわかった。 コードは、私たちのリポジトリで利用可能です。

関連論文リスト

• Limit Analysis of Graph Neural Networks with Wireless Conflict Graphs [81.39865232674413]
  グラフニューラルネットワーク(GNN)は、無線リソース割り当てのための強力なツールとして登場した。 この研究は、スパースランダム幾何グラフ(RGGs)から得られるグラフ上のGNNの転送可能性に関する理論的結果を確立する。
  論文  参考訳（メタデータ） (2026-06-02T15:42:14Z)
• NN-Former: Rethinking Graph Structure in Neural Architecture Representation [67.3378579108611]
  グラフニューラルネットワーク(GNN)とトランスフォーマーは、ニューラルネットワークを表現する上で有望なパフォーマンスを示している。 これまでの研究で見過ごされている間、兄弟ノードは中心的であることを示す。 我々のアプローチは、精度と遅延予測の両方において、常に有望な性能を達成する。
  論文  参考訳（メタデータ） (2025-07-01T15:46:18Z)
• Early-Exit Graph Neural Networks [18.835674898033172]
  本稿では,各ノードやグラフ全体に基づいた伝播のオンザフライ終了を可能にする,信頼度に配慮したエグジットヘッドを付加したEarly-Exit Graph Neural Networks(EEGNNs)を提案する。 EEGNNは、深さが大きくなるにつれて堅牢なパフォーマンスを維持し、異種および長距離のベンチマークで競合する精度を提供する。
  論文  参考訳（メタデータ） (2025-05-23T16:45:14Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Link Prediction without Graph Neural Networks [7.436429318051601]
  リンク予測は多くのグラフアプリケーションにおいて基本的なタスクである。 グラフニューラルネットワーク(GNN)がリンク予測の主要なフレームワークとなっている。 グラフ学習による属性情報によって強化されたグラフにトポロジ中心のフレームワークを適用する新しいフレームワークであるGelatoを提案する。
  論文  参考訳（メタデータ） (2023-05-23T03:59:21Z)
• Neo-GNNs: Neighborhood Overlap-aware Graph Neural Networks for Link Prediction [23.545059901853815]
  グラフニューラルネットワーク(GNN)は,グラフ構造データの学習に広く応用されている。 リンク予測のために隣接重畳された近傍から有用な構造特徴を学習する近傍オーバーラップ対応グラフニューラルネットワーク(Neo-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-06-09T01:43:49Z)
• Equivariant and Stable Positional Encoding for More Powerful Graph Neural Networks [13.510204511136617]
  グラフニューラルネットワーク(GNN)は多くのグラフベースの学習タスクにおいて大きなアドバンテージを示している。 近年,ランダムなノード特徴やノード距離特徴を用いてこの問題に対処する研究が多数提案されている。 本研究では,位置符号化(PE)技術によって与えられるノードの位置特徴を利用できるGNNを再検討する。
  論文  参考訳（メタデータ） (2022-03-01T03:08:47Z)
• Very Deep Graph Neural Networks Via Noise Regularisation [57.450532911995516]
  グラフニューラルネットワーク(GNN)は、入力グラフを介して学習されたメッセージパッシングを実行する。 最大100のメッセージパッシングステップを持つディープGNNをトレーニングし、いくつかの最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-06-15T08:50:10Z)
• Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
  FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。 我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
  論文  参考訳（メタデータ） (2020-06-15T22:07:54Z)
• Graph Structure Learning for Robust Graph Neural Networks [63.04935468644495]
  グラフニューラルネットワーク(GNN)は、グラフの表現学習において強力なツールである。 近年の研究では、GNNは敵攻撃と呼ばれる、慎重に構築された摂動に弱いことが示されている。 本稿では,構造グラフと頑健なグラフニューラルネットワークモデルを共同で学習できる汎用フレームワークであるPro-GNNを提案する。
  論文  参考訳（メタデータ） (2020-05-20T17:07:05Z)

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。