論文の概要: NodeGround: A Node Classification Benchmark in the Graph Foundation Model Era
- arxiv url: http://arxiv.org/abs/2609.39673v1
- Date: Wed, 30 Sep 2026 13:06:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.82093
- Title: NodeGround: A Node Classification Benchmark in the Graph Foundation Model Era
- Title（参考訳）: NodeGround: グラフ基礎モデル時代のノード分類ベンチマーク
- Abstract要約: グラフ基礎モデル(GFM)とデータセット固有の教師あり学習を共通評価フレームワークに組み込んだノード分類ベンチマークであるNodeGroundを提案する。
このベンチマークは51のデータセットにまたがり、6つのGFMと15の教師付きメソッドを2つのラベルアベイラビリティ・レギュレーションで評価する。
結果は、グラフニューラルネットワーク全体を慎重に調整することを好む。
- 参考スコア（独自算出の注目度）: 8.331524801839162
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Can a pretrained graph model replace training and tuning a separate predictor for each dataset? Answering this requires evaluating prediction quality alongside computational cost. We present NodeGround, a node classification benchmark that puts graph foundation models (GFMs) and dataset-specific supervised learning under a common evaluation framework. The benchmark spans 51 datasets and evaluates six GFMs alongside 15 supervised methods under two label-availability regimes. Shared data partitions, validation-only model selection, controlled hyperparameter searches, and multiple predictive metrics make comparisons systematic, while workflow measurements account for adaptation, training, tuning, and inference. The results favor carefully tuned graph neural networks overall. GraphPFN reaches third place by Elo when more labels are available, yet its relative strengths vary substantially with dataset properties. Efficiency comparisons further qualify the benefits of pretrained reuse: GVT and GraphPFN appear on the Pareto frontiers when supervised methods are represented by their default and fully tuned configurations. Adding intermediate tuning budgets removes this advantage for GVT and leaves GraphPFN extending the estimated frontier in the label-rich setting alone. Thus, reusing pretrained parameters does not yet provide a broadly reliable route to either stronger predictions or cheaper workflows. We release the evaluation pipeline, run-level records, and an open leaderboard at https://github.com/nums-ai/nodeground.
- Abstract（参考訳）: 事前トレーニングされたグラフモデルは、各データセットのトレーニングと個別の予測器のチューニングを置き換えることができるか?
これを答えるには、計算コストとともに予測品質を評価する必要がある。
グラフ基礎モデル(GFM)とデータセット固有の教師あり学習を共通評価フレームワークに組み込んだノード分類ベンチマークであるNodeGroundを提案する。
このベンチマークは51のデータセットにまたがり、6つのGFMと15の教師付きメソッドを2つのラベルアベイラビリティ・レギュレーションで評価する。
共有データパーティション、バリデーションのみのモデル選択、制御されたハイパーパラメータ検索、複数の予測メトリクスは、適応、トレーニング、チューニング、推論のためのワークフロー計測を体系的に比較する。
結果は、グラフニューラルネットワーク全体を慎重に調整することを好む。
GraphPFNは、より多くのラベルが利用可能になったとき、Eloによって3位に達したが、その相対的な強度はデータセット特性と大きく異なる。
GVTとGraphPFNはParetoフロンティアに表示され、教師付きメソッドがデフォルト設定と完全に調整された構成で表現される。
中間的なチューニング予算を追加することで、GVTに対するこの利点は取り除かれ、GraphPFNはラベルリッチな設定での推定フロンティアを拡張する。
したがって、事前訓練されたパラメータの再利用は、より強力な予測やより安価なワークフローへの広く信頼性の高い経路を提供していない。
評価パイプライン、実行レベルレコード、https://github.com/nums-ai/nodeground.comでオープンなリーダボードをリリースしています。
関連論文リスト
- Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。
SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。
SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
論文 参考訳（メタデータ） (2026-01-19T08:10:53Z) - Can TabPFN Compete with GNNs for Node Classification via Graph Tabularization? [31.75541440214278]
本稿では,ノード属性と構造特性を抽出してグラフデータを表特徴に変換するTabPFN-GNを提案する。
12のベンチマークデータセットを用いた実験により,TabPFN-GNは同好グラフ上のGNNと競合する性能を示し,不好グラフ上でのGNNよりも一貫して優れることがわかった。
論文 参考訳（メタデータ） (2025-12-09T16:51:30Z) - Deep Generative Models for Subgraph Prediction [10.56335881963895]
本稿では,深層グラフ学習のための新しい課題として,サブグラフクエリを提案する。
サブグラフクエリは、観測されたサブグラフで表される証拠に基づいて、ターゲットサブグラフのコンポーネントを共同で予測する。
我々は,確率論的深部グラフ生成モデルを用いて,サブグラフクエリに回答する。
論文 参考訳（メタデータ） (2024-08-07T19:24:02Z) - A Unified Graph Selective Prompt Learning for Graph Neural Networks [20.595782116049428]
Graph Prompt Feature(GPF)は、Graph Neural Networks(GNN)のトレーニング済みモデルを適応することに成功した。
GNNファインチューニングのための新しいグラフ選択型プロンプト特徴学習(GSPF)を提案する。
論文 参考訳（メタデータ） (2024-06-15T04:36:40Z) - Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。
FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。
ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2023-12-19T18:00:15Z) - From Spectral Graph Convolutions to Large Scale Graph Convolutional
Networks [0.0]
グラフ畳み込みネットワーク(GCN)は、様々なタスクにうまく適用された強力な概念であることが示されている。
古典グラフ理論の関連部分を含むGCNの定義への道を開いた理論を考察する。
論文 参考訳（メタデータ） (2022-07-12T16:57:08Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。
TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
論文 参考訳（メタデータ） (2022-01-14T09:04:46Z) - Node Feature Extraction by Self-Supervised Multi-scale Neighborhood
Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。
GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。
我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文 参考訳（メタデータ） (2021-10-29T19:55:12Z) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2020-06-10T14:48:48Z)
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。