論文の概要: SynCo: Synthetic Community-Aware Attributed Graph Generator for Graph Neural Network Benchmarking

• arxiv url: http://arxiv.org/abs/2609.10742v1
• Date: Wed, 09 Sep 2026 18:38:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.111532
• Title: SynCo: Synthetic Community-Aware Attributed Graph Generator for Graph Neural Network Benchmarking
• Title（参考訳）: SynCo: グラフニューラルネットワークベンチマークのためのコミュニティ対応分散グラフジェネレータ
• Abstract要約: グラフニューラルネットワーク(GNN)は、分類、リンク予測、コミュニティ検出といったタスクにおける属性グラフを扱う強力なモデルである。 本稿では,ノード次数分布とサブコミュニティ構造を制御可能なグラフ生成アルゴリズムであるSynCoを提案する。
• 参考スコア（独自算出の注目度）: 0.769971486557519
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) are powerful models for handling attributed graphs in tasks such as classification, link prediction, and community detection, as they enable the aggregation of information from both structural and semantic sources. However, progress in community detection is hindered by the lack of high-quality datasets, since ground-truth community labels are often unavailable and most algorithms proposed in recent literature rely on the same benchmark datasets for model training and evaluation. To address this issue, attributed random graph generators are commonly employed to create synthetic graphs for assessing the strengths and limitations of GNN-based models. Nevertheless, most existing generators rely heavily on power-law degree distributions, despite recent evidence indicating that scale-free networks are rare, particularly in social network contexts. Moreover, state-of-the-art attributed graph generators provide limited flexibility, as they do not allow users to construct communities with varying densities, degree distributions, and sub-community structures. To overcome these limitations, we introduce the Synthetic Community-Aware Attributed Graph Generator (SynCo), a graph generation algorithm that allows users to control the node degree distribution and sub-community structure. We evaluate SynCo across three different tasks: graph mimicking, hyperparameter evaluation, and node clustering tuning. The results show that our model outperforms state-of-the-art approaches in synthetic graph generation and data augmentation, while preserving the original distributions of duplicated and augmented datasets, as confirmed by statistical tests well know in literature. We also demonstrate the ability of SynCo to generate nodes in large scale, up to 2.1 million nodes.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、分類、リンク予測、コミュニティ検出といったタスクにおける属性グラフを扱うための強力なモデルである。 しかし、コミュニティ検出の進歩は高品質なデータセットの欠如によって妨げられている。なぜなら、基盤となるコミュニティラベルは利用できないことが多く、最近の文献で提案されているほとんどのアルゴリズムはモデルトレーニングと評価に同じベンチマークデータセットに依存しているからである。 この問題に対処するために、属性付きランダムグラフ生成器は一般的に、GNNベースのモデルの強度と限界を評価するための合成グラフを作成するために使用される。 しかしながら、既存のジェネレータの多くは、特にソーシャルネットワークの文脈において、スケールフリーのネットワークは稀であることを示す最近の証拠にもかかわらず、パワーローの等級分布に大きく依存している。 さらに、最先端の属性グラフジェネレータは、ユーザが様々な密度、次数分布、サブコミュニティ構造を持つコミュニティを構築することができないため、柔軟性が制限される。 これらの制限を克服するため,SynCo(SynCo)というグラフ生成アルゴリズムを導入し,ノード次数分布とサブコミュニティ構造を制御する。 グラフ模倣,ハイパーパラメータ評価,ノードクラスタリングチューニングの3つのタスクでSynCoを評価した。 以上の結果から,本モデルは,合成グラフ生成とデータ拡張における最先端のアプローチよりも優れており,文献でよく知られている統計検査により,重複および拡張データセットの本来の分布を保存できることが示唆された。 また、SynCoが最大2100万ノードまで、大規模にノードを生成する能力も示しています。

関連論文リスト

• Limit Analysis of Graph Neural Networks with Wireless Conflict Graphs [81.39865232674413]
  グラフニューラルネットワーク(GNN)は、無線リソース割り当てのための強力なツールとして登場した。 この研究は、スパースランダム幾何グラフ(RGGs)から得られるグラフ上のGNNの転送可能性に関する理論的結果を確立する。
  論文  参考訳（メタデータ） (2026-06-02T15:42:14Z)
• Generating Large Semi-Synthetic Graphs of Any Size [0.4419843514606336]
  グラフ生成はネットワーク科学において重要な領域である。 近年のディープラーニングの進歩により、データ駆動型手法によるグラフの学習と生成が可能になった。 本稿では,遅延グラフサンプリング生成(LGSG)を提案する。
  論文  参考訳（メタデータ） (2025-07-02T21:46:28Z)
• Synthesizing Diverse Network Flow Datasets with Scalable Dynamic Multigraph Generation [0.0]
  本稿では,高忠実度合成ネットワークフローデータセットを生成する機械学習モデルを提案する。 本研究では,従来の大規模グラフ生成手法よりも精度が向上したことを示す。
  論文  参考訳（メタデータ） (2025-05-12T17:26:48Z)
• Efficient Environmental Claim Detection with Hyperbolic Graph Neural Networks [1.7259898169307608]
  我々は、トランスフォーマーベースモデルの軽量かつ効果的な代替手段として、グラフニューラルネットワーク(GNN)とハイパーボリックグラフニューラルネットワーク(HGNN)について検討する。 以上の結果から,我々のグラフベースモデル,特にポインカー空間(P-HGNN)におけるHGNNは,環境クレーム検出の最先端技術よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-19T11:04:59Z)
• 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)
• Synergistic Deep Graph Clustering Network [14.569867830074292]
  我々はSynC(Syngistic Deep Graph Clustering Network)というグラフクラスタリングフレームワークを提案する。 本稿では,構造拡張を導くための高品質な埋め込みを実現するために,TIGAE (Transform Input Graph Auto-Encoder) を設計する。 特に、表現学習と構造増強は重みを共有し、モデルパラメータの数を著しく減少させる。
  論文  参考訳（メタデータ） (2024-06-22T09:40:34Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
  本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。 我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
  論文  参考訳（メタデータ） (2022-07-10T06:42:02Z)
• OOD-GNN: Out-of-Distribution Generalized Graph Neural Network [73.67049248445277]
  グラフニューラルネットワーク(GNN)は、グラフデータのテストとトレーニングを同一の分布から行うことで、優れたパフォーマンスを実現している。 既存のGNNでは、テストとグラフデータのトレーニングの間に分散シフトが存在する場合、その性能が著しく低下する。 本稿では,学習グラフと異なる分布を持つ未確認試験グラフに対して,満足な性能を実現するために,アウト・オブ・ディストリビューション一般化グラフニューラルネットワーク(OOD-GNN)を提案する。
  論文  参考訳（メタデータ） (2021-12-07T16:29:10Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)

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。