論文の概要: Graph Classification via Network Usable Information: From Representation Evaluation to Structure Selection
- arxiv url: http://arxiv.org/abs/2607.03587v1
- Date: Fri, 03 Jul 2026 20:11:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.654538
- Title: Graph Classification via Network Usable Information: From Representation Evaluation to Structure Selection
- Title（参考訳）: ネットワーク利用情報によるグラフ分類:表現評価から構造選択へ
- Abstract要約: NetinfoGCは、NUI(Network Usable Information)パラダイムをグラフレベルの学習に拡張する、グラフ分類のためのフレームワークである。
地中構造ラベルとのクラスタリング整合性に基づく学習不要なNUI推定手法を提案する。
我々は,評価されたNUIと下流分類精度の相関関係を強く観察し,NUIを表現ユーティリティの有効な尺度として検証する。
- 参考スコア（独自算出の注目度）: 0.4910937238451485
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We propose NetinfoGC, a framework for graph classification that extends the Network Usable Information (NUI) paradigm to graph-level learning. Unlike conventional graph neural network approaches that rely on end-to-end training of black-box embeddings, NetinfoGC constructs a family of permutation-invariant graph representations derived from propagation-based mechanisms and classical structural descriptors, including graph centrality measures. To evaluate representation quality, we introduce a training-free NUI estimation procedure based on clustering consistency with ground-truth labels, providing a proxy for task-relevant information without supervised learning. We further exploit the same representations using sparse-group LASSO regularization, enabling automatic selection of informative structural descriptors while suppressing redundant ones. Experiments on benchmark datasets show that classical centrality measures are highly competitive with learned propagation-based representations, and in several cases yield superior performance. Moreover, we observe a strong correlation between estimated NUI and downstream classification accuracy, validating NUI as an effective measure of representation utility. Overall, NetinfoGC provides a unified and interpretable framework for evaluating and exploiting graph representations without requiring end-to-end neural training.
- Abstract（参考訳）: ネットワーク利用情報(NUI)パラダイムをグラフレベル学習に拡張するグラフ分類フレームワークであるNetinfoGCを提案する。
ブラックボックス埋め込みのエンドツーエンドトレーニングに依存する従来のグラフニューラルネットワークアプローチとは異なり、NetinfoGCは、伝播に基づくメカニズムとグラフ中心性測定を含む古典的な構造記述子から派生した置換不変グラフ表現の族を構築する。
表現の質を評価するため,提案手法では,教師付き学習を伴わないタスク関連情報のためのプロキシを提供するため,接地木ラベルとのクラスタリング整合性に基づく学習自由なNUI推定手法を導入する。
さらに、スパースグループLASSO正規化を用いて同じ表現を利用し、冗長な表現を抑えながら情報構造記述子の自動選択を可能にする。
ベンチマークデータセットの実験では、古典的な集中度尺度は、学習された伝播に基づく表現と非常に競合し、いくつかの場合において優れたパフォーマンスが得られることが示されている。
さらに,評価されたNUIと下流分類精度の相関関係を強く観察し,NUIを表現ユーティリティの有効な尺度として検証する。
全体として、NetinfoGCはエンドツーエンドのニューラルトレーニングを必要とせずにグラフ表現を評価し、活用するための統一的で解釈可能なフレームワークを提供する。
関連論文リスト
- Unsupervised Graph Clustering with Deep Structural Entropy [25.38926876388394]
DeSEは、Deep Structure Entropyを取り入れた、新しい教師なしグラフクラスタリングフレームワークである。
クラスタを形成するために、量子化された構造情報とディープニューラルネットワークを備えたオリジナルのグラフを強化する。
クラスタリング代入法は,拡張グラフ上のクラスタへのノード埋め込みとソフトな代入行列を学習する。
論文 参考訳（メタデータ） (2025-05-20T07:38:06Z) - Self-Supervised Contrastive Graph Clustering Network via Structural Information Fusion [15.293684479404092]
CGCNと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,事前学習プロセスにコントラスト信号と深部構造情報を導入している。
本手法は,複数の実世界のグラフデータセットに対して実験的に検証されている。
論文 参考訳（メタデータ） (2024-08-08T09:49:26Z) - Applying Self-supervised Learning to Network Intrusion Detection for
Network Flows with Graph Neural Network [8.318363497010969]
本稿では,教師なし型ネットワークフローの特定のためのGNNの適用について検討する。
我々の知る限り、NIDSにおけるネットワークフローのマルチクラス分類のための最初のGNNベースの自己教師方式である。
論文 参考訳（メタデータ） (2024-03-03T12:34:13Z) - Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳（メタデータ） (2024-02-25T07:03:37Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - Graph Information Bottleneck [77.21967740646784]
グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。
GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。
提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:13:00Z) - Representation Learning of Graphs Using Graph Convolutional Multilayer
Networks Based on Motifs [17.823543937167848]
mGCMNはノードの特徴情報とグラフの高階局所構造を利用する新しいフレームワークである。
グラフニューラルネットワークの学習効率を大幅に改善し、新たな学習モードの確立を促進する。
論文 参考訳（メタデータ） (2020-07-31T04:18:20Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z) - Progressive Graph Convolutional Networks for Semi-Supervised Node
Classification [97.14064057840089]
グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。
本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
論文 参考訳（メタデータ） (2020-03-27T08:32:16Z)
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。