論文の概要: GraphSelect for Budgeted Representation Selection in Multimodal Graph Inference

• arxiv url: http://arxiv.org/abs/2609.33561v1
• Date: Sun, 27 Sep 2026 13:35:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 15:44:38.059275
• Title: GraphSelect for Budgeted Representation Selection in Multimodal Graph Inference
• Title（参考訳）: マルチモーダルグラフ推論における予算表現選択のためのグラフ選択
• Abstract要約: マルチモーダルグラフ予測器は、テキスト、画像、関係を組み合わせ、接続されたエンティティを分類する。 本稿では,各モダリティの別キャパシティの下で,候補テキストと画像ベクトルのサブセットを選択する予算付き表現選択について検討する。 実験の結果,候補ランキングは選択された入力によって変化し,予測確率はクラスが変化しなくなった後も情報的のままであることがわかった。 更新スコアは選択を改善し、入力を交換することで、既に容量が満たされているサブセットを改善することができる。
• 参考スコア（独自算出の注目度）: 15.927479230906698
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multimodal graph predictors combine text, images, and relations to classify connected entities. How much of this input is needed to preserve their predictions? We study budgeted representation selection, which chooses a subset of candidate text and image vectors under a separate capacity for each modality. Predictions from the complete candidate input define the classes to preserve. The challenge is that a representation's contribution depends on the other selected inputs, while graph propagation extends its effects across nodes. Our empirical study shows that candidate rankings change with the selected input, while predicted probabilities remain informative after the class stops changing. Updating scores improves selection, and exchanging inputs can improve a subset whose capacity is already filled. These findings lead to GraphSelect, which starts from individual candidate gains and refines the subset through jointly evaluated exchanges. It screens promising removals and additions, accepts an exchange when it reduces the prediction loss, and updates the scores. Experiments on six graphs show higher mean objective recovery than six attribution and explanation methods adapted to the selection task. Across nine trained architectures on two graphs, retaining 20% of the candidate representations per modality gives a mean accuracy drop of 0.10 percentage points relative to full candidate input, preserving classification performance with substantially fewer text and image representations.
• Abstract（参考訳）: マルチモーダルグラフ予測器は、テキスト、画像、関係を組み合わせ、接続されたエンティティを分類する。 予測を維持するためには、この入力のどれ程が必要か? 本稿では,各モダリティの別キャパシティの下で,候補テキストと画像ベクトルのサブセットを選択する予算付き表現選択について検討する。 完全な候補入力からの予測は、保存するクラスを定義します。 問題となるのは、表現の寄与は他の選択された入力に依存するのに対して、グラフの伝搬はノード間でその効果を拡張することである。 実験の結果,候補ランキングは選択された入力によって変化し,予測確率はクラスが変化しなくなった後も情報的のままであることがわかった。 更新スコアは選択を改善し、入力を交換することで、既に容量が満たされているサブセットを改善することができる。 グラフセレクト(GraphSelect)は、個々の候補ゲインから始まり、共同評価された交換を通じてサブセットを洗練する。 有望な削除と追加をスクリーニングし、予測損失を減らすと交換を受け取り、スコアを更新する。 6つのグラフに対する実験では、選択タスクに適応した6つの属性や説明方法よりも平均的な客観的回復率が高いことが示されている。 2つのグラフ上の9つのトレーニングされたアーキテクチャで、モダリティ毎の候補表現の20%を保持することで、完全な候補入力に対する平均精度が0.10ポイント低下し、テキストや画像の表現が大幅に少ない分類性能が保たれる。

関連論文リスト

• GraphPrompter: Multi-stage Adaptive Prompt Optimization for Graph In-Context Learning [18.254759409121956]
  コンテキスト内学習をグラフ化する鍵は、選択したプロンプトの例に基づいて下流グラフを実行することである。 既存の手法では、プロンプトとしてサブグラフやエッジをランダムに選択し、ノイズの多いグラフプロンプトとモデル性能が劣る。 マルチステージ適応型プロンプト最適化法であるGraphPrompterを開発した。 私たちのアプローチは最先端のベースラインを8%以上越えています。
  論文  参考訳（メタデータ） (2025-05-04T08:30:00Z)
• Graph Counterfactual Explainable AI via Latent Space Traversal [4.337339380445765]
  反実的な説明は、分配の代替入力の「アレスト」を見つけることによって予測を説明することを目的としている。 本稿では, 識別可能なブラックボックスグラフ分類器に対して, 反実的説明を生成する手法を提案する。 我々は3つのグラフデータセットに対するアプローチを実証的に検証し、我々のモデルはベースラインよりも一貫してハイパフォーマンスで堅牢であることを示した。
  論文  参考訳（メタデータ） (2025-01-15T15:04:10Z)
• IDEAL: Influence-Driven Selective Annotations Empower In-Context Learners in Large Language Models [63.15355173909631]
  本稿では,影響駆動型選択的アノテーション手法を提案する。 アノテーションのコストを最小限に抑えつつ、コンテキスト内サンプルの品質を向上させることを目的としている。 様々なベンチマークで提案手法の優位性を確認する実験を行った。
  論文  参考訳（メタデータ） (2023-10-16T22:53:54Z)
• Entropy Neural Estimation for Graph Contrastive Learning [9.032721248598088]
  グラフ上のコントラスト学習は、ノードの区別可能な高レベル表現を抽出することを目的としている。 本稿では,データセットのビュー間のペアワイズ表現を対比する,単純かつ効果的なサブセットサンプリング戦略を提案する。 7つのグラフベンチマークで広範な実験を行い、提案手法は競合性能を実現する。
  論文  参考訳（メタデータ） (2023-07-26T03:55:08Z)
• Question-Context Alignment and Answer-Context Dependencies for Effective Answer Sentence Selection [38.661155271311515]
  本稿では,質問文と回答文の依存関係を候補の最終的な表現に明示的に組み込むことにより,候補のスコアリングを改善することを提案する。 提案手法は, WikiQA や WDRASS など一般的な AS2 ベンチマークにおいて大幅な改善を実現し, すべてのベンチマークで新たな最先端のベンチマークが得られた。
  論文  参考訳（メタデータ） (2023-06-03T20:59:19Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• View selection in multi-view stacking: Choosing the meta-learner [0.2812395851874055]
  マルチビュー・スタックング(Multi-view stacking)は、異なるビューからの情報を組み合わせて同じオブジェクト群を記述するフレームワークである。 このフレームワークでは、各ビューに対してベースラーナーアルゴリズムを個別にトレーニングし、その予測をメタラーナーアルゴリズムで組み合わせる。
  論文  参考訳（メタデータ） (2020-10-30T13:45:14Z)
• Automated Concatenation of Embeddings for Structured Prediction [75.44925576268052]
  本稿では, 埋め込みの自動結合(ACE)を提案し, 構造予測タスクにおける埋め込みのより優れた結合を見つけるプロセスを自動化する。 我々は、強化学習の戦略に従い、制御器のパラメータを最適化し、タスクモデルの精度に基づいて報酬を計算する。
  論文  参考訳（メタデータ） (2020-10-10T14:03:20Z)

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。