論文の概要: From Phase Transition to Systemic Failure: A Decoupled Analytics Framework for GNN Robustness

• arxiv url: http://arxiv.org/abs/2609.31656v1
• Date: Tue, 15 Sep 2026 03:20:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 14:16:23.632201
• Title: From Phase Transition to Systemic Failure: A Decoupled Analytics Framework for GNN Robustness
• Title（参考訳）: フェーズ遷移からシステム障害へ:GNNロバストネスのための分離分析フレームワーク
• Abstract要約: データ品質は、実際のグラフマイニングタスクにおけるグラフニューラルネットワーク(GNN)の信頼性の高いデプロイにおいて、大きなボトルネックとなる。 本稿では,2つの因子を別々に操作できる相同性グラフ回帰ベンチマークを構築した。 騒音およびシフト条件の異なる代表GNNモデルの挙動を評価するため,41の構成と410回の走行を行った。
• 参考スコア（独自算出の注目度）: 7.587894049362674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data quality is a major bottleneck for the reliable deployment of graph neural networks (GNNs) in real-world graph mining tasks. Among various sources of degradation, label noise and feature distribution shift (hereafter referred to as distribution shift) are two common yet fundamentally different challenges. To study their effects under controlled conditions, this paper constructs a synthetic homophilic graph regression benchmark in which the two factors can be manipulated separately. A total of 41 configurations and 410 runs are conducted to evaluate the behavior of representative GNN models under varying noise and shift conditions. The results show two distinct patterns. First, under additive label corruption, performance remains relatively stable over a broad range of noise settings and begins to deteriorate sharply only after an observed transition region around the 50 percent noise ratio. Second, under extreme feature distribution shift, all tested models suffer substantial degradation, with test MSE increasing by 48 times to 316 times and correlation dropping by 73 percent to 89 percent. These findings suggest that, in the present controlled setting, GNNs are considerably more tolerant to moderate label perturbation than to severe distribution mismatch. The study provides a controlled empirical baseline for understanding how data quality affects GNN-based graph mining systems and offers practical implications for deployment-oriented monitoring and model maintenance.
• Abstract（参考訳）: データ品質は、実際のグラフマイニングタスクにおけるグラフニューラルネットワーク(GNN)の信頼性の高いデプロイにおいて、大きなボトルネックとなる。 劣化の原因には、ラベルノイズと特徴分布シフト(以下、分布シフトと呼ぶ)がある。 制御条件下での効果を調べるため,本研究では,2つの因子を別々に操作できる相同性グラフ回帰ベンチマークを構築した。 騒音およびシフト条件の異なる代表GNNモデルの挙動を評価するため,41の構成と410回の走行を行った。 結果は2つの異なるパターンを示している。 第1に, ラベルの付加的破壊の下では, 幅広いノイズ設定に対して比較的安定であり, 50%の雑音比で観測された遷移領域の後にのみ急激に劣化し始める。 第二に、極端な特徴分布シフトの下では、全てのテストモデルが大幅に劣化し、テストMSEは48倍から316倍に増加し、相関は73%から99%に低下した。 これらの結果から,現在コントロールされているGNNは分布ミスマッチよりも,中等度ラベル摂動に対する耐性が高いことが示唆された。 この研究は、データ品質がGNNベースのグラフマイニングシステムにどのように影響するかを理解するための制御された経験的ベースラインを提供し、デプロイ指向の監視とモデルメンテナンスに実践的な意味を提供する。

関連論文リスト

• Hierarchical Attention-based Graph Neural Network with Relevance-driven Pruning [0.0]
  グラフニューラルネットワーク(GNN)は、リレーショナル推論において優れているが、2つの永続的な課題に直面している。 本稿では,階層型アテンションに基づくヘテロジニアスGNN(HA-HeteroGNN)を提案する。 2層アテンション機構は16ノードタイプと18エッジタイプにまたがるセンサレベルとコンテキストレベルの勾配を分離し、アテンションベースGNN Explainerを介してノード単位のレバレンススコアを生成する
  論文  参考訳（メタデータ） (2026-05-10T04:05:36Z)
• Fragile Reasoning: A Mechanistic Analysis of LLM Sensitivity to Meaning-Preserving Perturbations [2.7946918847372277]
  大規模言語モデルは、数学的推論ベンチマークにおいて強い性能を示すが、意味を保存する表面摂動に対して驚くほど脆弱である。 我々は677 GSM8K問題に対して,3つのオープンウェイトLLM(Mistral-7B,Llama-3-8B,Qwen2.5-7B)を意味論的に等価な変種と組み合わせて評価した。 3つのモデルはいずれも相当な解答フリップ率(28.8%-45.1%)を示し、数字のパラフレーズは名前スワップよりも一貫して破壊的である。
  論文  参考訳（メタデータ） (2026-04-02T05:30:20Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Robustness of Probabilistic Models to Low-Quality Data: A Multi-Perspective Analysis [23.834741751854448]
  低品質データの効果に関する体系的な比較研究は、現代の確率モデルにまたがる頑健性のスペクトルを明らかにしている。 トークン予測からシーケンス・ツー・シーケンス・タスクに至るまで,自動回帰言語モデルは極めてレジリエンスであることがわかった。 同じレベルのデータ破損の下で、クラス条件拡散モデルは破滅的に劣化する。
  論文  参考訳（メタデータ） (2025-12-11T02:10:41Z)
• COGNOS: Universal Enhancement for Time Series Anomaly Detection via Constrained Gaussian-Noise Optimization and Smoothing [6.738487965771888]
  Constrained Gaussian-Noise Optimization and Smoothing (COGNOS)は、モデルに依存しない拡張フレームワークである。 我々はCOGNOSが非常に有効であることを示し、12種類のバックボーンモデルに適用した場合、平均Fスコアアップリフトは57.9%となることを示した。 出力統計を直接正規化することは、異常検出システムを大幅に改善するための強力で一般化可能な戦略である。
  論文  参考訳（メタデータ） (2025-11-10T09:43:48Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
  グラフ異常検出(GAD)は二項分類の問題である。 ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。 ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:07:34Z)
• Explaining and Adapting Graph Conditional Shift [28.532526595793364]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データに対して顕著な性能を示した。 最近の実証研究により、GNNは分布シフトに非常に敏感であることが示唆されている。
  論文  参考訳（メタデータ） (2023-06-05T21:17:48Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)

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。