論文の概要: Node4All: Learning Node Representation Beyond Datasets

• arxiv url: http://arxiv.org/abs/2607.17272v1
• Date: Sun, 19 Jul 2026 14:26:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.416056
• Title: Node4All: Learning Node Representation Beyond Datasets
• Title（参考訳）: Node4All:データセット以外のノード表現を学ぶ
• Abstract要約: 我々はノード表現学習機であるNode4Allを紹介した。 アーキテクチャレベルではChannel Graph Transformer (CGT)を導入します。 学習レベルでは,一連の合成グラフに基づく自己教師型学習を提案する。 Node4Allは、25のベンチマークで21のベースラインに対してノード分類を評価し、教師付きメソッドと自己教師型メソッドの両方をカバーしています。
• 参考スコア（独自算出の注目度）: 9.885512038617902
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Node representation learning has advanced rapidly, yet most existing methods rely on per-dataset training and hyperparameter tuning. This dataset-specific optimization comes from the difficulty of designing reusable graph models that generalize across diverse graph datasets. In this work, we introduce Node4All, a node representation learner applicable to arbitrary graph datasets without any dataset-specific optimization. Node4All is built on two complementary ideas. At the architectural level, we introduce the Channel Graph Transformer (CGT), which enables a single fixed parameterization to process arbitrary graph datasets. At the learning level, we propose a self-supervised learning based on a series of synthetic graphs. Together, these components enable generalization beyond individual datasets, which is infeasible with existing architectures and learning frameworks. We extensively evaluate Node4All on node classification across 25 benchmarks against 21 baselines, covering both supervised and self-supervised methods. Despite all baselines being trained and optimized for each dataset, a single Node4All, applied uniformly across the datasets, achieves a competitive ranking of 5th among 21 baselines. Moreover, Node4All supports one-shot and in-context learning with an appropriate predictor and outperforms recent graph foundation models (GFMs) in these settings. These results demonstrate that Node4All not only achieves reusability across arbitrary graph datasets, but also remains an effective solution in practice. Code and model checkpoints are available in https://github.com/dooho00/node4all.
• Abstract（参考訳）: ノード表現学習は急速に進歩しているが、既存のほとんどのメソッドはデータセットごとのトレーニングとハイパーパラメータチューニングに依存している。 このデータセット固有の最適化は、さまざまなグラフデータセットにまたがって一般化される再利用可能なグラフモデルを設計することの難しさに起因している。 本研究では,任意のグラフデータセットに適用可能なノード表現学習機であるNode4Allを紹介する。 Node4Allは2つの補完的なアイデアに基づいて構築されている。 アーキテクチャレベルではChannel Graph Transformer (CGT)を導入します。 学習レベルでは,一連の合成グラフに基づく自己教師型学習を提案する。 これらのコンポーネントは、既存のアーキテクチャや学習フレームワークでは実現不可能な、個々のデータセットを越えた一般化を可能にする。 Node4Allは、25のベンチマークで21のベースラインに対してノード分類を評価し、教師付きメソッドと自己教師型メソッドの両方をカバーしています。 すべてのベースラインがトレーニングされ、各データセットに最適化されているにも関わらず、データセット全体に一様に適用される単一のNode4Allは、21ベースラインの中で5番目の競合的なランクを達成している。 さらに、Node4Allは適切な予測器でワンショットとインコンテキストの学習をサポートし、これらの設定で最新のグラフ基盤モデル(GFM)を上回っている。 これらの結果は、Node4Allが任意のグラフデータセット間で再利用性を達成するだけでなく、実際には効果的なソリューションであることを示している。 コードとモデルチェックポイントはhttps://github.com/dooho00/node4all.comで入手できる。

関連論文リスト

• LL4G: Self-Supervised Dynamic Optimization for Graph-Based Personality Detection [15.21447289641142]
  本稿では,グラフニューラルネットワーク(GNN)を最適化する自己教師型フレームワークLL4Gを紹介する。 LL4Gは大規模言語モデル(LLM)を利用してグラフニューラルネットワーク(GNN)を最適化する自己教師型フレームワークである KaggleとPandoraのデータセットの実験結果は、LL4Gが最先端モデルを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-04-02T21:46:30Z)
• A Unified Graph Selective Prompt Learning for Graph Neural Networks [20.595782116049428]
  Graph Prompt Feature(GPF)は、Graph Neural Networks(GNN)のトレーニング済みモデルを適応することに成功した。 GNNファインチューニングのための新しいグラフ選択型プロンプト特徴学習(GSPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-15T04:36:40Z)
• Graph Sparsification via Mixture of Graphs [67.40204130771967]
  そこで我々はMixture-of-Graphs (MoG)を導入し、各ノードに対して動的に調整されたプルーニングソリューションを選択する。 MoGには複数のスパシファイアの専門家が組み込まれており、それぞれが独自のスパーシリティレベルとプルーニング基準によって特徴付けられ、各ノードに対して適切な専門家を選択する。 5つのGNNを備えた4つの大規模OGBデータセットと2つのスーパーピクセルデータセットの実験により、MoGはより高い空間レベルのサブグラフを識別することを示した。
  論文  参考訳（メタデータ） (2024-05-23T07:40:21Z)
• Learning Adaptive Neighborhoods for Graph Neural Networks [45.94778766867247]
  グラフ畳み込みネットワーク(GCN)は、グラフ構造化データのエンドツーエンド学習を可能にする。 本稿では,グラフトポロジを構築する新しいエンドツーエンドの微分可能なグラフ生成器を提案する。 私たちのモジュールは、グラフ畳み込み操作を含む既存のパイプラインに簡単に統合できます。
  論文  参考訳（メタデータ） (2023-07-18T08:37:25Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• A Simple and Scalable Graph Neural Network for Large Directed Graphs [11.792826520370774]
  入力グラフ内のノード表現とエッジ方向認識の様々な組み合わせについて検討する。 そこで本研究では,A2DUGを簡易かつ包括的に分類する手法を提案する。 我々は、A2DUGが様々なデータセットで安定して動作し、最先端の手法と比較して11.29まで精度が向上することを示した。
  論文  参考訳（メタデータ） (2023-06-14T06:24:58Z)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Learning on Attribute-Missing Graphs [66.76561524848304]
  部分ノードのみの属性が利用できるグラフがあり、他の属性が完全に欠落している可能性がある。 一般的なGNNを含む既存のグラフ学習手法では、満足な学習性能が得られない。 我々は,属性欠落グラフのための構造属性変換器(SAT)と呼ばれる新しい分布マッチングベースGNNを開発した。
  論文  参考訳（メタデータ） (2020-11-03T11:09:52Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。