論文の概要: Same Graph Cross-Task Transfer in GNNs: Protocols and Predictors

• arxiv url: http://arxiv.org/abs/2607.28525v1
• Date: Thu, 30 Jul 2026 17:01:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.683385
• Title: Same Graph Cross-Task Transfer in GNNs: Protocols and Predictors
• Title（参考訳）: GNNにおける同様のグラフクロスタスク転送:プロトコルと予測子
• Abstract要約: 我々は,同グラフNC-LP転送を形式化し,ノードとエッジの分割を修正するリークフリープロトコルを提案する。 また、単純なデータセット統計、特にホモフィリーは、メカニズムの選択をガイドし、負の移動を避けるのに役立つことを示す。
• 参考スコア（独自算出の注目度）: 13.95787705385794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many real-world graphs support multiple predictive tasks over the same underlying structure, creating an opportunity to reuse supervision across node classification (NC) and link prediction (LP). However, existing evaluations often rely on incompatible splits, observed-graph assumptions, and negative sampling rules, making conclusions about same-graph cross-task transfer unreliable. We formalize same-graph NC-LP transfer and propose a leakage-free protocol that fixes node and edge splits, uses a shared message-passing graph that excludes evaluated edges, and employs fixed negatives for LP. Across three backbones (GCN, GraphSAGE, GPS), we find that transfer is strongly directional and predictable: NC $\to$ LP is consistently beneficial on homophilic graphs, while LP $\to$ NC is fragile and can even degrade accuracy under naive representation reuse. LP $\to$ NC becomes reliably positive mainly in a structure-dominant regime where LP is easy but NC is unsaturated, suggesting that LP acts as structural pretraining. Finally, we introduce the CoTask Score (CTS) to summarize joint NC+LP utility when a shared encoder must serve both tasks, and show that simple dataset statistics, especially homophily, can guide mechanism choice and help avoid negative transfer.
• Abstract（参考訳）: 多くの実世界のグラフは、同じ基盤構造上の複数の予測タスクをサポートし、ノード分類(NC)とリンク予測(LP)をまたいだ監視を再利用する機会を生み出している。 しかし、既存の評価は、しばしば互換性のない分割、観察されたグラフの仮定、負のサンプリング規則に依存し、同グラフのクロスタスク転送に関する結論は信頼できない。 我々は、同一グラフNC-LP転送を形式化し、ノードとエッジの分割を固定するリークフリープロトコルを提案し、評価されたエッジを除外した共有メッセージパスグラフを使用し、LPに固定負を用いる。 3つのバックボーン(GCN, GraphSAGE, GPS)にまたがって、転送は方向が強く、予測可能である。 NC $\to$ LPは相反する相反するグラフに対して一貫して有益であり、LP $\to$ NCは脆弱であり、単純な表現再利用の下で精度を低下させることができる。 LP $\to$ NC は主に LP が簡単であるが NC が不飽和である構造支配的な状態において確実に正となる。 最後に,共有エンコーダが両方のタスクに対応しなければならない場合に,共同NC+LPユーティリティを要約するためにCoTask Score(CTS)を導入する。

関連論文リスト

• GRAPHLCP: Structure-Aware Localized Conformal Prediction on Graphs [19.650673179097407]
  コンフォーマル予測(CP)は、有限サンプル保証の不確実性に対する分布のないアプローチを提供する。 グラフニューラルネットワーク(GNN)へのCPの適用は、グラフの性質が不十分な特定の予測につながることが多いため、依然として困難である。 グラフトポロジとノード間依存関係を局所化と重み付けに明示的に組み込んだ近接型局所化CPフレームワークである GraphLCP を提案する。
  論文  参考訳（メタデータ） (2026-05-08T17:56:09Z)
• When Graph Structure Becomes a Liability: A Critical Re-Evaluation of Graph Neural Networks for Bitcoin Fraud Detection under Temporal Distribution Shift [0.0]
  生の機能上のランダムフォレストは F1 = 0.821 に達し、評価されたすべての GNN を上回り、GraphSAGE は F1 = 0.689 +/- 0.017 に達する。 コード、チェックポイント、厳密なインダクティブプロトコルをリリースし、再現可能でリークのない評価を可能にします。
  論文  参考訳（メタデータ） (2026-04-21T14:32:20Z)
• Hierarchy-Aware Neural Subgraph Matching with Enhanced Similarity Measure [22.57636502076737]
  グラフマッチングは、時間を要する検索を必要とするため、難しい。 最近のグラフニューラルネットワーク(GNN)ベースのアプローチでは、グラフ情報を抽出するためにGNNエンコーダを用いてこの問題に対処している。 ニューラルグラフマッチングのための新しいGNNアーキテクチャであるNC-Isoを提案する。
  論文  参考訳（メタデータ） (2025-10-01T01:27:41Z)
• Lossless and Privacy-Preserving Graph Convolution Network for Federated Item Recommendation [20.774848093888615]
  グラフニューラルネットワーク(GNN)は、アイテムレコメンデーションのための最先端のソリューションとして登場した。 既存のGNNベースのレコメンデーション手法は、断片化されたユーザ・イテムインタラクションサブグラフの集中ストレージと、集約されたグローバルグラフのトレーニングに依存している。
  論文  参考訳（メタデータ） (2024-12-02T05:31:22Z)
• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• NESS: Node Embeddings from Static SubGraphs [0.0]
  本稿では,グラフオートエンコーダ(GAE)を用いて静的サブグラフ(NESS)からノード埋め込みをトランスダクティブに学習するフレームワークを提案する。 NESSは2つの主要なアイデアに基づいている。 i) トレーニンググラフをデータ前処理中にランダムなエッジ分割を使用して、重複しないエッジを持つ複数の静的でスパースなサブグラフに分割する。 我々はNESSがリンク予測タスクに対して、グラフ全体またはサブグラフのいずれかを使用する現在の自動符号化手法と比較して、より良いノード表現を提供することを示した。
  論文  参考訳（メタデータ） (2023-03-15T22:14:28Z)
• Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
  Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。 我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-19T10:34:08Z)
• Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
  We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。 まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。 監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
  論文  参考訳（メタデータ） (2022-12-25T23:19:56Z)
• Bring Your Own View: Graph Neural Networks for Link Prediction with Personalized Subgraph Selection [57.34881616131377]
  異なるエッジに対して最適なサブグラフを自動,個人的,帰納的に識別するプラグイン・アンド・プレイ・フレームワークとしてパーソナライズされたサブグラフセレクタ(PS2)を導入する。 PS2は二段階最適化問題としてインスタンス化され、効率よく解ける。 GNNLPトレーニングに対する新たなアプローチとして,まずエッジの最適な部分グラフを識別し,次にサンプル部分グラフを用いて推論モデルをトレーニングすることを提案する。
  論文  参考訳（メタデータ） (2022-12-23T17:30:19Z)
• Sequence Transduction with Graph-based Supervision [96.04967815520193]
  ラベルのグラフ表現を受け入れるためにRNN-T損失を一般化するトランスデューサ目的関数を提案する。 CTC型格子を用いたトランスデューサベースのASRは,標準RNN-Tよりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-11-01T21:51:42Z)
• On the Equivalence of Decoupled Graph Convolution Network and Label Propagation [60.34028546202372]
  いくつかの研究は、カップリングがデカップリングよりも劣っていることを示している。 有効性にもかかわらず、疎結合GCNの作用機構はよく理解されていない。 本稿では,分離GCNの欠陥を克服する適応的学習法(PTA)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T13:57:39Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)

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。