論文の概要: GATTA: Graph Active Learning with Test-Time Augmentation

• arxiv url: http://arxiv.org/abs/2608.15084v1
• Date: Sat, 15 Aug 2026 07:01:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.18129
• Title: GATTA: Graph Active Learning with Test-Time Augmentation
• Title（参考訳）: GATTA: テスト時間拡張によるグラフアクティブラーニング
• Authors: Zsombor Bánfi, András Gézsi, András Formanek,
• Abstract要約: TTA(Test-time augmentation)は、コンピュータビジョンにおけるモデルロバストネスと不確実性推定を改善するために有効であることが証明されている。 GATTA(Graph Active Learning with Test-Time Augmentation)は,複数の拡張ビューにまたがって予測を集約することで,アクティブな学習を強化するフレームワークである。
• 参考スコア（独自算出の注目度）: 0.056179939237156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-time augmentation (TTA) has proven effective for improving model robustness and uncertainty estimation in computer vision, yet its application to graph-structured data remains largely unexplored. We introduce GATTA (Graph Active Learning with Test-Time Augmentation), a framework for enhancing active learning by aggregating predictions across multiple augmented views to produce more reliable uncertainty estimates. To address the challenge of label-preserving graph augmentations, GATTA incorporates a consistency-based filtering mechanism that discards augmented views yielding unreliable predictions. We systematically evaluate GATTA across multiple graph datasets, GNN architectures, and acquisition strategies. Our results show that simple uncertainty-based methods, such as Entropy and Least Confidence, benefit most from TTA, achieving performance competitive with more sophisticated and computationally expensive approaches. GATTA generalizes across architectures, outperforms model-side ensemble methods such as MC Dropout. We further show that GATTA scales efficiently with both ensemble size and graph size. Extensive analysis of augmentation types, strengths, and filtering strategies provides practical guidelines for effective deployment. Our findings demonstrate that augmenting simple methods with TTA offers a more efficient path to strong active learning performance than engineering complex acquisition functions, enabling practitioners to achieve competitive results with lower computational overhead and reduced implementation complexity.
• Abstract（参考訳）: TTA(Test-time augmentation)は、コンピュータビジョンにおけるモデルロバスト性や不確実性推定の改善に有効であることが証明されている。 GATTA(Graph Active Learning with Test-Time Augmentation)は、複数の拡張ビューにまたがって予測を集約し、より信頼性の高い不確実性推定を生成することにより、アクティブな学習を強化するフレームワークである。 ラベル保存グラフ強化の課題に対処するため、GATTAは、信頼できない予測をもたらす拡張ビューを破棄する一貫性ベースのフィルタリングメカニズムを取り入れている。 我々は,複数のグラフデータセット,GNNアーキテクチャ,取得戦略にまたがるGATTAを体系的に評価する。 この結果から, エントロピーやLast Confidenceのような単純な不確実性に基づく手法は, TTAの利点を最大限に生かし, より高度で計算コストの高いアプローチで性能を競い合うことが示唆された。 GATTAはアーキテクチャをまたいで一般化し、MC Dropoutのようなモデル側アンサンブル法より優れている。 さらに,GATTAはアンサンブルサイズとグラフサイズの両方で効率よくスケール可能であることを示す。 拡張タイプ、強度、フィルタリング戦略の徹底的な分析は、効果的なデプロイメントのための実践的なガイドラインを提供する。 以上の結果から,TTAによる単純な手法の強化は,工学的複雑な獲得関数よりも能動的学習性能の向上に寄与し,計算オーバーヘッドの低減と実装の複雑さの低減を図った。

関連論文リスト

• Towards Improving Long-Tail Entity Predictions in Temporal Knowledge Graphs through Global Similarity and Weighted Sampling [53.11315884128402]
  時間知識グラフ(TKG)補完モデルは、伝統的にトレーニング中にグラフ全体へのアクセスを前提としている。 本稿では,TKGに特化して設計されたインクリメンタルトレーニングフレームワークを提案する。 提案手法は,モデルに依存しない拡張層と加重サンプリング戦略を組み合わせることで,既存のTKG補完手法を拡張および改善することができる。
  論文  参考訳（メタデータ） (2025-07-25T06:02:48Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Enhancing Training Data Attribution with Representational Optimization [57.61977909113113]
  トレーニングデータ属性法は、トレーニングデータがモデルの予測にどのように影響するかを測定することを目的としている。 本稿では,タスク固有表現とモデル整合表現をTDAで明示的に学習することで,このギャップを埋める表現ベースアプローチであるAirRepを提案する。 AirRepは、属性品質に合わせて調整されたトレーニング可能なエンコーダと、グループワイドの影響を正確に見積もるアテンションベースのプール機構の2つの重要なイノベーションを紹介している。
  論文  参考訳（メタデータ） (2025-05-24T05:17:53Z)
• GAIS: A Novel Approach to Instance Selection with Graph Attention Networks [1.100197352932064]
  本稿では,グラフアテンションに基づくインスタンス選択(GAIS)と呼ばれる新しい手法を提案する。 13の多様なデータセットの実験により、GAISは従来のIS手法よりも有効性において一貫して優れていたことが示されている。 GAISは計算コストが若干高いが、トレーニングデータを大幅に削減した精度を維持する上での優れた性能は、グラフベースのデータ選択に有望なアプローチである。
  論文  参考訳（メタデータ） (2024-12-26T12:51:14Z)
• Graph Transductive Defense: a Two-Stage Defense for Graph Membership Inference Attacks [50.19590901147213]
  グラフニューラルネットワーク(GNN)は、さまざまな現実世界のアプリケーションにおいて、強力なグラフ学習機能を提供する。 GNNは、メンバーシップ推論攻撃(MIA)を含む敵攻撃に対して脆弱である 本稿では,グラフトランスダクティブ学習特性に合わせて,グラフトランスダクティブ・ディフェンス(GTD)を提案する。
  論文  参考訳（メタデータ） (2024-06-12T06:36:37Z)
• GReAT: A Graph Regularized Adversarial Training Method [0.0]
  GReAT(Graph Regularized Adversarial Training)は、ディープラーニングモデルの堅牢な分類性能を高めるために設計された、新しい正規化手法である。 GReATはグラフベースの正規化を敵のトレーニングプロセスに統合し、データ固有の構造を活用してモデルの堅牢性を高める。
  論文  参考訳（メタデータ） (2023-10-09T01:44:06Z)
• LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation [9.181689366185038]
  グラフニューラルクラスタリングネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。 本稿では,単純なグラフコントラスト学習パラダイムであるLightGCLを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:16:21Z)
• Adaptive Depth Graph Attention Networks [19.673509341792606]
  グラフアテンションネットワーク(GAT)は、グラフ表現のための最も高度な学習アーキテクチャであると考えられている。 層数の増加に伴ってGATモデルの精度が制限される主な要因は,オーバーカッシング現象である。 本稿では,グラフの空間性に基づいた階層数を適応的に選択するGAT変種モデル-ADGATを提案する。
  論文  参考訳（メタデータ） (2023-01-16T05:22:29Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)

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。