論文の概要: Revisiting the Generalization of Neural Graph Edit Distance Models

• arxiv url: http://arxiv.org/abs/2610.04644v1
• Date: Sat, 03 Oct 2026 16:35:33 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:54:08.459934
• Title: Revisiting the Generalization of Neural Graph Edit Distance Models
• Title（参考訳）: ニューラルグラフ編集距離モデルの一般化の再検討
• Abstract要約: グラフコレクション間でのグラフ編集距離移動に対するニューラルアプローチについて検討する。 以上の結果から, 集合体内性能と集合体間移動の差は顕著であった。 これらの結果から,従来の包括的評価は,ニューラルGEDモデルの一般化挙動の偏見に過ぎなかったことが示唆された。
• 参考スコア（独自算出の注目度）: 23.884990933878726
• License:
• Abstract: Neural approaches to Graph Edit Distance (GED) have achieved strong results under standard within-dataset evaluation, but much less is known about how well these models transfer across graph collections. We conduct a systematic study of this problem using exact GED supervision across diverse graph datasets and a broad set of representative learning-based methods. Our results reveal a pronounced gap between within-collection performance and cross-collection transfer. Models that perform well on their training collections often lose this advantage when evaluated on structurally different data. Training on multiple source collections substantially improves zero-shot transfer and provides a better starting point when limited supervision is available for a new target collection. Further analysis shows that transfer behavior varies with the source--target direction and the structural characteristics of the collections involved. These findings suggest that conventional within-collection evaluation provides only a partial view of the generalization behavior of neural GED models and motivate broader evaluation across heterogeneous graph collections.
• Abstract（参考訳）: グラフ編集距離(GED)に対するニューラルアプローチは、標準のデータセット内評価の下で強力な結果を得たが、これらのモデルがグラフコレクション間でいかにうまく転送されるかは、ほとんど分かっていない。 本稿では,多種多様なグラフデータセットと多種多様な代表的学習手法を用いて,正確なGED監視を用いて,この問題を体系的に研究する。 以上の結果から, 集合体内性能と集合体間移動の差は顕著であった。 トレーニングコレクションでうまく機能するモデルは、構造的に異なるデータで評価すると、しばしばこの利点を失う。 複数のソースコレクションのトレーニングは、ゼロショット転送を大幅に改善し、新しいターゲットコレクションに対して限られた監視が利用できる場合に、より良いスタートポイントを提供する。 さらに解析した結果, 移動挙動は, 対象方向と関連するコレクションの構造的特性によって変化することがわかった。 これらの結果から,従来の包括的評価は,ニューラルGEDモデルの一般化挙動を部分的に把握するだけでなく,異種グラフコレクション全体にわたってより広範な評価を動機付けることが示唆された。

関連論文リスト

• Learning the Latent Structure: A Feature-Centric Approach to Graph Data Augmentation [49.81655636414316]
  実世界のグラフは、データ収集と観測上の制約のため、しばしば不完全である。 本稿では,明示的な構造モデリングを回避した特徴中心グラフデータ拡張フレームワークを提案する。 当社のアプローチであるSelfAugは、インダクティブ設定とコールドスタート設定の精度と効率の両方において、最先端の手法を一貫して上回ります。
  論文  参考訳（メタデータ） (2026-10-01T21:38:58Z)
• Conditional Distribution Learning on Graphs [15.730933577970687]
  半教師付きグラフ分類のためのグラフ構造化データからグラフ表現を学習する条件分布学習(CDL)法を提案する。 具体的には、元の特徴に対して弱機能および強拡張機能の条件分布を整列するエンドツーエンドグラフ表現学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-20T07:26:36Z)
• Self-Supervised Contrastive Graph Clustering Network via Structural Information Fusion [15.293684479404092]
  CGCNと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,事前学習プロセスにコントラスト信号と深部構造情報を導入している。 本手法は,複数の実世界のグラフデータセットに対して実験的に検証されている。
  論文  参考訳（メタデータ） (2024-08-08T09:49:26Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• Differentiable Reasoning over Long Stories -- Assessing Systematic Generalisation in Neural Models [12.479512369785082]
  グラフ構造化データを同時に処理し、エッジ属性を同時に考慮できるグラフベースのモデルである"E-GNN"と、グラフの線形化バージョンを処理できるシーケンスベースのモデルである"L-Graph"である。 その結果、修正されたリカレントニューラルネットワークは、グラフニューラルネットワークよりも優れた体系的な一般化タスク全体にわたって驚くほど正確な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-20T18:34:42Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)

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。