論文の概要: Budgeted Task-Aware Acquisition of Dynamic Networks

• arxiv url: http://arxiv.org/abs/2609.05862v1
• Date: Sat, 05 Sep 2026 03:52:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.148519
• Title: Budgeted Task-Aware Acquisition of Dynamic Networks
• Title（参考訳）: 動的ネットワークの予算化タスクアウェア獲得
• Abstract要約: 本稿では,動的ネットワーク上でのタスク認識の予算化に焦点をあてる。 維持グラフと観測履歴から各ノードを問合せするタスク値を学習するフレームワークであるScoutを提案する。 Scoutは、21のベンチマーク予算設定のうち19つの平均ダウンストリームのパフォーマンスを達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning on dynamic graphs is difficult when changes in the underlying network are only partially observed. Acquiring current graph information incurs observation and computational costs, making complete updates impractical under limited resources. This paper focuses on budgeted task-aware acquisition on dynamic networks, where a model needs to decide which stale graph information to refresh for a downstream task. We propose Scout, a lightweight framework that learns the task value of querying each node from the maintained graph and observation history. Our evaluation covers one synthetic and four real-world dynamic networks, two downstream tasks, nine acquisition baselines, and several query budgets. Scout achieves the highest mean downstream performance in 19 of the 21 benchmark-budget settings. Task-utility supervision also outperforms structural-change supervision in 13 of the 16 real-world settings. On the same dynamic network, task-matched acquisition improves link-prediction AUC by 0.012-0.016 and node-classification accuracy by 0.064-0.09 over task-mismatched acquisition. These results show that useful graph observations depend on the downstream task and that limited observation budgets can be allocated more effectively by learning directly from downstream utility.
• Abstract（参考訳）: 基礎となるネットワークの変化が部分的にのみ観察される場合、動的グラフの学習は困難である。 現在のグラフ情報を取得すると、観測と計算コストが発生し、限られたリソースで完全な更新が実行不可能になる。 本稿では、ダウンストリームタスクに対してどの古いグラフ情報をリフレッシュするかをモデルが決定する必要がある動的ネットワーク上の予算付きタスク認識獲得に焦点を当てる。 保守されたグラフと観測履歴から各ノードを問合せするタスク値を学習する軽量フレームワークであるScoutを提案する。 本評価では,1つの合成および4つの実世界の動的ネットワーク,2つの下流タスク,9つの取得ベースライン,およびいくつかのクエリ予算について検討する。 Scoutは、21のベンチマーク予算設定のうち19つの平均ダウンストリームのパフォーマンスを達成している。 タスクユーティリティの監視は16の現実世界設定のうち13で構造変化の監視よりも優れています。 同じ動的ネットワーク上では、タスクマッチングの取得により、リンク予測のAUCが0.012-0.016、ノード分類の精度が0.064-0.09向上する。 これらの結果から,下流業務に依存した有用なグラフ観測を行い,下流事業から直接学習することで,限られた観測予算を効果的に配分できることが示唆された。

関連論文リスト

• GRAIL: A Benchmark for GRaph ActIve Learning in Dynamic Sensing Environments [1.9918773938716672]
  グラフベースのアクティブラーニング(AL)はグラフの構造を利用してラベルクエリを効率的に優先順位付けする。 GRAILは、動的で現実世界の環境でグラフAL戦略を評価するために設計されたベンチマークフレームワークである。
  論文  参考訳（メタデータ） (2025-06-11T19:04:18Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• 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)
• Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation [24.20087360102464]
  動的グラフアンラーニングを初めて研究し、DGNNアンラーニングを実装するための効率的で効率的で汎用的で後処理手法を提案する。 提案手法は,将来的な未学習要求を処理できる可能性があり,性能が大幅に向上する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• Node-Time Conditional Prompt Learning In Dynamic Graphs [14.62182210205324]
  DYGPROMPTは動的グラフモデリングのための新しい事前学習および迅速な学習フレームワークである。 我々はノードと時間の特徴が相互に特徴付けることを認識し、下流タスクにおけるノード時間パターンの進化をモデル化するための2つの条件ネットを提案する。
  論文  参考訳（メタデータ） (2024-05-22T19:10:24Z)
• An Experimental Study on Exploring Strong Lightweight Vision Transformers via Masked Image Modeling Pre-Training [51.622652121580394]
  Masked Image Modeling (MIM) Pre-training for Large-scale Vision Transformer (ViTs) は、学習した自己教師型ViT機能に加えて、下流での有望なパフォーマンスを実現する。 本稿では,テキストテキストレメリーで軽量なViTの微調整性能が,この事前学習パラダイムの恩恵を受けるかどうかを問う。 バニラ/階層設計(5.7M$/6.5M$)による純軽量ViTの蒸留による事前トレーニングは、ImageNet-1で79.4%$/78.9%の精度で達成できる。
  論文  参考訳（メタデータ） (2024-04-18T14:14:44Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• Affinity-Aware Graph Networks [9.888383815189176]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを学ぶための強力なテクニックとして登場した。 グラフニューラルネットワークの特徴としてアフィニティ尺度の利用について検討する。 本稿では,これらの特徴に基づくメッセージパッシングネットワークを提案し,その性能を様々なノードおよびグラフ特性予測タスクで評価する。
  論文  参考訳（メタデータ） (2022-06-23T18:51:35Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Automated Self-Supervised Learning for Graphs [37.14382990139527]
  本研究の目的は、複数のプリテキストタスクを効果的に活用する方法を検討することである。 我々は、多くの実世界のグラフ、すなわちホモフィリーの鍵となる原理を、様々な自己教師付きプレテキストタスクを効果的に探索するためのガイダンスとして利用している。 本稿では,自己教師型タスクの組み合わせを自動的に検索するAutoSSLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-10T03:09:20Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。