Fugu-MT 論文翻訳(概要): path_boost: A Python Package for Interpretable Graph-Level Prediction using Path-Based Gradient Boosting

論文の概要: path_boost: A Python Package for Interpretable Graph-Level Prediction using Path-Based Gradient Boosting

arxiv url: http://arxiv.org/abs/2607.07935v1
Date: Wed, 08 Jul 2026 21:31:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-10 14:45:27.347545
Title: path_boost: A Python Package for Interpretable Graph-Level Prediction using Path-Based Gradient Boosting
Title（参考訳）: path_boost:パスベースのグラディエントブースティングを用いた解釈可能なグラフレベル予測のためのPythonパッケージ
Authors: Claudio Meggio, Johan Pensar, Riccardo De Bin,
Abstract要約: Path_boostは、グラフ構造化された入力データに対する教師あり学習を解釈するためのPythonパッケージである。 PathBoostはパスベースの機能に対して付加的な予測モデルを生成する。回帰分類と二分分類の両方をサポートする。
参考スコア（独自算出の注目度）: 0.6181093777643575
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present path_boost, a Python package for interpretable supervised learning on graph-structured input data. The package implements PathBoost, a gradient boosting algorithm that automatically discovers predictive labeled paths within graphs during the learning process. Unlike graph neural networks, which are generally difficult to interpret, PathBoost produces an additive prediction model over path-based features that explicitly reveals which substructures drive predictions. To avoid an exhaustive enumeration of all possible paths, the algorithm iteratively selects and extends paths during learning based on their predictive power, using boosting to combine weak learners into a strong ensemble. The package supports both regression and binary classification. Key features include compatibility with scikit-learn workflows, support for custom base learners and selectors, automatic starting node selection, parallel training across anchor nodes, and built-in variable importance computation. We demonstrate PathBoost on molecular property prediction of transition metal compounds, where atoms serve as nodes and bonds as edges, and further benchmark PathBoost against an established graph neural network and a graph kernel method across six molecular datasets. The package is available on PyPI and GitHub under an open-source license.
Abstract（参考訳）: path_boostは,グラフ構造化入力データに対する教師付き学習を解釈可能なPythonパッケージである。このパッケージは、学習プロセス中にグラフ内の予測ラベル付きパスを自動的に検出する勾配向上アルゴリズムであるPathBoostを実装している。一般的に解釈が難しいグラフニューラルネットワークとは異なり、PathBoostはパスベースの機能に対して付加的な予測モデルを生成し、どのサブ構造が予測を駆動するかを明確に示す。全ての可能な経路の網羅的な列挙を避けるため、アルゴリズムは、弱い学習者を強いアンサンブルに組み合わせるために、予測力に基づいて学習中の経路を反復的に選択し、拡張する。このパッケージは回帰分類とバイナリ分類の両方をサポートしている。主な機能としては、Scikit-learnワークフローとの互換性、カスタムベースラーナーとセレクタのサポート、自動開始ノード選択、アンカーノード間の並列トレーニング、組込み変数重要計算などがある。遷移金属化合物の分子特性予測において、原子がノードとして機能し、結合がエッジとして機能し、PathBoostが確立されたグラフニューラルネットワークと6つの分子データセットにまたがるグラフカーネル法に対してさらにベンチマークを行う。パッケージはPyPIとGitHubでオープンソースライセンスで提供されている。

関連論文リスト

Path-Based Gradient Boosting for Graph-Level Prediction [0.6181093777643575]
PathBoostは入力グラフ構造から直接識別パスベースの特徴を学習する。 PathBoostを、いくつかのベンチマークデータセット上のグラフニューラルネットワークとグラフカーネルアプローチと比較した。全体として、パスベースのブースティング手法はより複雑なブラックボックスアプローチと競合する可能性があることを示した。
論文参考訳（メタデータ） (2026-04-26T07:59:33Z)
STAR: Semantic-Tuned and Tail-Adaptive Retriever for Graph-Augmented Generation [69.66045538889777]
本稿では,GraphRAGのためのセマンティックチューニングとテール適応型レトリバーSTARを提案する。 STARは一貫してベースラインを上回り、平均検索性能は1.8%向上した。
論文参考訳（メタデータ） (2026-04-11T10:16:51Z)
SWING: Unlocking Implicit Graph Representations for Graph Random Features [57.956136773668476]
SWING: Space Walks for Implicit Network Graphsはグラフ上のグラフランダム特徴を含む計算アルゴリズムの新しいクラスである。 SWINGの詳細な解析を行い、様々なiグラフのクラスで徹底的な実験を行い、それを補完する。
論文参考訳（メタデータ） (2026-02-13T08:12:38Z)
Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
論文参考訳（メタデータ） (2026-01-19T08:10:53Z)
OGBoost: A Python Package for Ordinal Gradient Boosting [0.0]
OGBoostはScikit-learn互換のPythonパッケージで、勾配ブースティングを用いた順序回帰を行う。パッケージはPyPIで利用可能で、"pip install ogboost"経由でインストールできる。
論文参考訳（メタデータ） (2025-02-19T06:06:12Z)
Generating and Imputing Tabular Data via Diffusion and Flow-based Gradient-Boosted Trees [11.732842929815401]
タブラルデータは取得が困難で、値が失われる。本稿では,混合型(連続型および分類型)データの生成と計算のための新しいアプローチを提案する。スコア関数やベクトル場をニューラルネットワークで学習する従来の手法とは対照的に,我々はXGBoostを採用する。
論文参考訳（メタデータ） (2023-09-18T17:49:09Z)
NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文参考訳（メタデータ） (2023-06-14T09:21:15Z)
Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文参考訳（メタデータ） (2022-03-03T09:53:53Z)
Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文参考訳（メタデータ） (2021-12-14T14:48:08Z)
Transformation of Node to Knowledge Graph Embeddings for Faster Link Prediction in Social Networks [2.458658951393896]
ニューラルネットワークの最近の進歩は、リンク予測、ノード分類、ノードクラスタリング、ノードレコメンデーションといった一般的なグラフ問題を解決している。本研究では,ランダムウォーク法から得られるノード埋め込みを,計算コストを増大させることなく,知識グラフ法から直接得られる埋め込みに変換する変換モデルについて検討する。
論文参考訳（メタデータ） (2021-11-17T04:57:41Z)

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。