論文の概要: OpenRTAG: A Comprehensive Benchmark for Robust Text-Attributed Graph Learning under Data Quality Degradation

• arxiv url: http://arxiv.org/abs/2607.19108v1
• Date: Tue, 21 Jul 2026 13:50:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.437961
• Title: OpenRTAG: A Comprehensive Benchmark for Robust Text-Attributed Graph Learning under Data Quality Degradation
• Title（参考訳）: OpenRTAG: データ品質劣化下でのロバストなテキスト分散グラフ学習のための総合ベンチマーク
• Abstract要約: テキスト分散グラフ学習のための堅牢性ベンチマークOpenRTAGを提案する。 OpenRTAGはTAGの品質問題を3*3の分類にまとめている。 9つのTAGデータセットと3つの下流タスクの標準化された評価をサポートする。
• 参考スコア（独自算出の注目度）: 22.874435465040488
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Text-attributed graphs (TAGs) are an important graph data form that combine relational structure with rich node text. However, real-world TAGs are often imperfect, with quality issues arising from text, structure, and labels, and typically manifesting as sparsity, noise, and imbalance. These dimensions define nine representative degradation scenarios that can substantially affect TAG learning. Although prior studies have explored specific mitigation strategies, existing evidence remains fragmented across degradation types, datasets, tasks, and model families, leaving TAG robustness insufficiently understood. To address this gap, we present OpenRTAG, a robustness benchmark for text-attributed graph learning. OpenRTAG organizes TAG quality issues into a unified 3 * 3 taxonomy and supports standardized evaluation across nine TAG datasets and three downstream tasks. It systematically evaluates scenario validity and model sensitivity, compares traditional GNNs, LLM-GNNs, and a representative GFM, investigates the effectiveness, efficiency, and robustness of scenario-matched baselines, and further examines model behavior under composite degradation scenarios. OpenRTAG provides a standardized testbed for understanding robustness in TAG learning under realistic low-quality settings.
• Abstract（参考訳）: テキスト分散グラフ(TAG)は、関係構造とリッチノードテキストを組み合わせた重要なグラフデータ形式である。 しかし、現実のTAGはしばしば不完全であり、テキスト、構造、ラベルから生じる品質の問題があり、通常、空間性、ノイズ、不均衡として表される。 これらの次元は、TAG学習に大きく影響を及ぼす可能性のある9つの代表的な劣化シナリオを定義する。 以前の研究では、特定の緩和戦略が検討されていたが、既存の証拠は、分解タイプ、データセット、タスク、モデルファミリーで断片化され、TAGの堅牢性は十分に理解されていない。 このギャップに対処するため,テキスト分散グラフ学習のための堅牢性ベンチマークOpenRTAGを提案する。 OpenRTAGは、TAGの品質問題を3 * 3の分類にまとめ、9つのTAGデータセットと3つの下流タスクで標準化された評価をサポートする。 シナリオの有効性とモデル感度を体系的に評価し,従来のGNN,LLM-GNN,および代表的GFMと比較し,シナリオマッチングベースラインの有効性,効率,堅牢性を検討した。 OpenRTAGは、現実的な低品質設定下でのTAG学習の堅牢性を理解するための標準化されたテストベッドを提供する。

関連論文リスト

• From Few-Shot to Zero-Shot: Towards Generalist Graph Anomaly Detection [89.52759572485276]
  ARCは、文脈内学習を利用した数発のGAD法であり、推論時にわずかにラベル付き正規サンプルを必要とする。 ARCとARC_zeroは、異常を効果的に検出し、強力な一般化能力を示し、少数ショットおよびゼロショット設定下で効率的に実行する。
  論文  参考訳（メタデータ） (2026-02-21T10:59:00Z)
• Text-based Aerial-Ground Person Retrieval [55.31140361809554]
  本研究はTAG-PR(Text-based Aerial-Ground Person Retrieval)を紹介する。 異質な空中・地上からの人物画像をテキスト記述で検索することを目的としている。
  論文  参考訳（メタデータ） (2025-11-11T15:49:04Z)
• Robustness in Text-Attributed Graph Learning: Insights, Trade-offs, and New Defenses [34.0252107920933]
  我々は,TAG学習における堅牢性を評価するために,統一的で包括的な枠組みを導入する。 我々のフレームワークは、4つのドメインから10データセットにわたる古典的なGNN、堅牢なGNN(RGNN)、グラフLLMを評価する。 本研究は,TAGのセキュリティに関する今後の研究の基盤を確立し,対戦環境におけるTAG学習のための実践的ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-20T05:57:54Z)
• GDGB: A Benchmark for Generative Dynamic Text-Attributed Graph Learning [25.487795050809503]
  生成型DyTAGベンチマーク(GDGB)は、8つの厳密にキュレートされたDyTAGデータセットと高品質なテキスト機能から構成される。 GDGB上に構築された2つの新しいDyTAG生成タスク:Transductive Dynamic Graph Generation(TDGG)とInductive Dynamic Graph Generation(IDGG)を定義する。
  論文  参考訳（メタデータ） (2025-07-04T02:55:32Z)
• HeTGB: A Comprehensive Benchmark for Heterophilic Text-Attributed Graphs [38.79574338268996]
  グラフニューラルネットワーク(GNN)は、ホモフィリーを前提とした関係データのモデリングに成功している。 多くの実世界のグラフはヘテロフィリーを示し、連結ノードは異なるカテゴリに属したり、多様な属性を持つ。 Heterophilic Text-attributed Graph Benchmark (HeTGB) は、多様なドメインから5つの実世界の異種グラフデータセットからなる新しいベンチマークである。
  論文  参考訳（メタデータ） (2025-03-05T02:00:32Z)
• Multi-Scale Heterogeneous Text-Attributed Graph Datasets From Diverse Domains [25.61868709829681]
  我々は,HTAG上での機械学習モデルの現実的かつ再現可能な評価のための,困難かつ多様なベンチマークデータセットのコレクションを紹介する。 私たちのHTAGデータセットは、マルチスケールで、長期間にわたって、映画、コミュニティの質問応答、学術、文学、特許ネットワークなど、幅広い領域をカバーしています。 ソースデータ、データセット構築コード、処理されたHTAG、データローダ、ベンチマークコード、評価設定はすべて、GitHubとHugging Faceで公開されている。
  論文  参考訳（メタデータ） (2024-12-12T04:58:32Z)
• Scribbles for All: Benchmarking Scribble Supervised Segmentation Across Datasets [51.74296438621836]
  Scribbles for Allは、スクリブルラベルに基づいて訓練されたセマンティックセグメンテーションのためのラベルおよびトレーニングデータ生成アルゴリズムである。 弱い監督の源泉としてのスクリブルの主な制限は、スクリブルセグメンテーションのための挑戦的なデータセットの欠如である。 Scribbles for Allは、いくつかの人気のあるセグメンテーションデータセットのスクリブルラベルを提供し、密集したアノテーションを持つデータセットのスクリブルラベルを自動的に生成するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-08-22T15:29:08Z)
• Bridging Local Details and Global Context in Text-Attributed Graphs [62.522550655068336]
  GraphBridgeは、コンテキストテキスト情報を活用することで、ローカルおよびグローバルな視点をブリッジするフレームワークである。 提案手法は最先端性能を実現し,グラフ対応トークン削減モジュールは効率を大幅に向上し,スケーラビリティの問題を解消する。
  論文  参考訳（メタデータ） (2024-06-18T13:35:25Z)
• DTGB: A Comprehensive Benchmark for Dynamic Text-Attributed Graphs [28.340416573162898]
  動的テキスト分散グラフ(DyTAG)は、様々な実世界のシナリオで一般的である。 幅広い適用性にもかかわらず、DyTAGに合わせたベンチマークデータセットは、顕著に不足している。 大規模な時間進化グラフのコレクションである動的テキスト分散グラフベンチマーク(DTGB)を導入する。
  論文  参考訳（メタデータ） (2024-06-17T20:16:12Z)
• Minimally-Supervised Structure-Rich Text Categorization via Learning on Text-Rich Networks [61.23408995934415]
  テキストリッチネットワークから学習することで,最小限に教師付き分類を行う新しいフレームワークを提案する。 具体的には、テキスト理解のためのテキスト解析モジュールと、クラス差別的でスケーラブルなネットワーク学習のためのネットワーク学習モジュールの2つのモジュールを共同でトレーニングします。 実験の結果,1つのカテゴリに3つのシード文書しか与えられず,その精度は約92%であった。
  論文  参考訳（メタデータ） (2021-02-23T04:14:34Z)
• Structure-Augmented Text Representation Learning for Efficient Knowledge Graph Completion [53.31911669146451]
  人為的な知識グラフは、様々な自然言語処理タスクに重要な支援情報を提供する。 これらのグラフは通常不完全であり、自動補完を促す。 グラフ埋め込みアプローチ(例えばTransE)は、グラフ要素を密度の高い埋め込みに表現することで構造化された知識を学ぶ。 テキストエンコーディングアプローチ(KG-BERTなど)は、グラフトリプルのテキストとトリプルレベルの文脈化表現を利用する。
  論文  参考訳（メタデータ） (2020-04-30T13:50:34Z)

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。