論文の概要: No-Free-Graph: Learning When Multimodal Data Should Be Graphified
- arxiv url: http://arxiv.org/abs/2610.02768v1
- Date: Fri, 02 Oct 2026 03:48:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.200836
- Title: No-Free-Graph: Learning When Multimodal Data Should Be Graphified
- Title（参考訳）: No-Free-Graph: マルチモーダルデータのグラフ化を学習する
- Abstract要約: マルチモーダルグラフ学習は近年,相互関係をマルチモーダル表現に組み込むための効果的なパラダイムとして登場した。
既存の研究はグラフの構築と最適化についてかなりの進歩を遂げているが、与えられたデータセットやタスクに対して追加のリレーショナル構造を導入するべきかを考えることは滅多にない。
本稿では, 完全なトポロジを生成する前に, グラフ構造の導入が有用かどうかを推定する事前構築型グラフアセスメントフレームワークMAG-SCOUTを提案する。
- 参考スコア（独自算出の注目度）: 29.192894597956794
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Multimodal graph learning has recently emerged as an effective paradigm for in corporating inter-entity relationships into multimodal representations. Existing studies have made substantial progress on how to construct and optimize graphs, but rarely consider a more fundamental question: whether additional relational structures should be introduced for a given dataset and task. Through empirical studies across diverse datasets, tasks, and graph constructors, we reveal that graphification is not consistently beneficial: introducing relational structures can provide substantial improvements in some cases, while offering limited or even negative gains. This observation motivates a new perspective that graph construction should be treated as a selective decision based on its expected utility rather than a default preprocessing step. To address this issue, we propose MAG-SCOUT, a pre-construction graph assessment framework that estimates whether introducing graph structures is beneficial before generating the complete topology. MAG-SCOUT collects limited relational evidence, analyzes its potential taskspecific contribution, and estimates the expected utility of graphification together with construction cost to make a build-or-skip decision. Extensive experiments across six multimodal datasets, three downstream tasks, and diverse graph constructors demonstrate that MAG-SCOUT effectively identifies when graph structures should be introduced, saving 33.1% of task-macro graph work while retaining 96.7% of held-out positive-gain mass under the pre-registered floor.
- Abstract（参考訳）: マルチモーダルグラフ学習は近年,相互関係をマルチモーダル表現に組み込むための効果的なパラダイムとして登場した。
既存の研究はグラフの構築と最適化についてかなりの進歩を遂げているが、与えられたデータセットとタスクに対して追加のリレーショナル構造を導入するべきかという、より根本的な問題を考えることは滅多にない。
多様なデータセット、タスク、グラフコンストラクタにわたる実証的研究を通じて、グラフ化は一貫して有益ではないことが明らかになった。
この観察は、グラフ構築は、デフォルトの事前処理ステップではなく、期待されるユーティリティに基づいて選択的な決定として扱われるべきである、という新たな視点を動機付けている。
この問題に対処するために、完全なトポロジを生成する前に、グラフ構造の導入が有用かどうかを推定する事前構築グラフアセスメントフレームワークであるMAG-SCOUTを提案する。
MAG-SCOUTは限定的なリレーショナルエビデンスを収集し、その潜在的なタスク固有のコントリビューションを分析し、グラフ化の期待される有用性と建設コストを見積もってビルド・オー・スキップ決定を行う。
6つのマルチモーダルデータセット、3つのダウンストリームタスク、および多様なグラフコンストラクタにわたる大規模な実験は、MAG-SCOUTがグラフ構造を導入するべき時期を効果的に識別し、タスクマクログラフの作業の33.1%を節約し、登録済みフロアの96.7%を保留することを示した。
関連論文リスト
- ColGraphRAG: Late-Interaction Evidence Retrieval for Multimodal GraphRAG [0.0]
グラフリンク画像ノード上での視覚的候補ランク演算子を、ColBERT/ColPali系における遅延相互作用MaxSimスタイルのマルチベクトルスコアに置き換えることを評価する。
MultimodalQAでは、この変更は、グラフリンクされた画像候補と下流QAゲインの検索ステージ点推定の改善に関連している。
論文 参考訳（メタデータ） (2026-05-09T08:30:18Z) - GraphReAct: Reasoning and Acting for Multi-step Graph Inference [49.26607058250454]
GraphReActは、グラフ構造化データに対するステップバイステップの推論を可能にするグラフ推論実行フレームワークである。
検索と精細化の両方で推論をインターリーブすることで、我々のフレームワークは文脈拡張から圧縮への進歩的な移行を可能にします。
論文 参考訳（メタデータ） (2026-05-08T07:09:42Z) - NGAT: A Node-level Graph Attention Network for Long-term Stock Prediction [4.743574336827573]
グラフ表現法は、企業間の関係を生かして企業表現を強化するために、金融アプリケーションで広く採用されている。
ストック予測に特化して設計された既存のグラフモデルは、しばしば過剰な複雑さと一般化の欠如に悩まされる。
本研究では,企業関係グラフに適した長期ストック予測タスクを提案し,特に企業関係グラフに適したノードレベルのグラフ注意ネットワーク(NGAT)を開発する。
論文 参考訳（メタデータ） (2025-07-02T13:59:46Z) - GraphOracle: A Foundation Model for Knowledge Graph Reasoning [9.894106590443714]
知識グラフ間の推論を統一する関係中心基盤モデルであるtextbftextscGraphOracleを紹介する。
クエリ依存型アテンション機構は,関係性と実体性の両方について帰納的表現を学習するために開発された。
多様な知識グラフの事前学習と、数分レベルの微調整により、実体、関係、グラフ全体に対する効果的な一般化が可能となる。
論文 参考訳（メタデータ） (2025-05-16T11:14:57Z) - 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) - Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。
提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。
これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
論文 参考訳（メタデータ） (2024-09-09T12:56:02Z) - Graph-oriented Instruction Tuning of Large Language Models for Generic Graph Mining [36.366468326267004]
MuseGraphはタスクとデータセットをまたいだグラフマイニングのためのフレームワークである。
グラフニューラルネットワーク(GNN)と大規模言語モデル(LLM)の長所をシームレスに統合する。
実験の結果,5つのグラフタスクと10のデータセットにおいて,大幅な改善が示された。
論文 参考訳（メタデータ） (2024-03-02T09:27:32Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳（メタデータ） (2023-02-06T16:26:29Z) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳（メタデータ） (2021-02-14T05:28:13Z) - GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。
学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。
GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文 参考訳（メタデータ） (2020-07-07T16:51:39Z) - Out-of-Sample Representation Learning for Multi-Relational Graphs [8.956321788625894]
非分散知識グラフに対するアウトオブサンプル表現学習問題について検討する。
このタスクのためのベンチマークデータセットを作成し、いくつかのモデルとベースラインを開発し、提案したモデルとベースラインの実証分析と比較を提供する。
論文 参考訳（メタデータ） (2020-04-28T00:53:01Z)
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。