論文の概要: Do Higher-Order Models Win for Higher-Order Reasons? Rethinking Performance Gains in Hypergraph Learning

• arxiv url: http://arxiv.org/abs/2610.07981v1
• Date: Tue, 06 Oct 2026 08:44:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.902308
• Title: Do Higher-Order Models Win for Higher-Order Reasons? Rethinking Performance Gains in Hypergraph Learning
• Title（参考訳）: 高次モデルが高次推論に勝つか? ハイパーグラフ学習におけるパフォーマンス向上を再考する
• Abstract要約: 本稿では,低次情報,すなわちペアワイズ情報を保存しながら高次情報を摂動するパフォーマンス属性フレームワークを提案する。 例えば、よりリッチなペアワイドな重み付け、ペアワイドな特徴伝搬のより多くのステップ、正規化といった、下位階のベースラインへの単純な追加は、残りのパフォーマンスギャップを減少させる。
• 参考スコア（独自算出の注目度）: 45.181646912581414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Higher-order models (e.g., hypergraph neural networks) often outperform lower-order baselines on hypergraph learning benchmarks, and their advantages are commonly attributed to their ability to exploit higher-order information. However, better performance alone does not establish this explanation. We therefore ask: Do higher-order models win for higher-order reasons? To investigate this question, we introduce a controlled performance-attribution framework that perturbs higher-order information while preserving the lower-order, i.e., pairwise, information. Across 25 commonly used hypergraph learning benchmarks spanning three tasks, we frequently observe an intriguing pattern: higher-order models originally outperform lower-order baselines, yet retain most of their advantage after perturbation. This suggests that much of the observed advantage remains achievable without the higher-order information. We then investigate potential lower-order explanations for these remaining gaps. We find that simple additions to a lower-order baseline, e.g., richer pairwise weighting, more steps of pairwise feature propagation, and normalization, reduce the remaining performance gaps, supporting lower-order explanations for part of the observed advantage. Our analysis calls for the hypergraph learning community to rethink performance attribution by distinguishing performance gains from their explanations, adopt stronger lower-order baselines, and use suitable benchmarks that better test the value of higher-order information.
• Abstract（参考訳）: 高階モデル(ハイパーグラフニューラルネットワークなど)は、ハイパーグラフ学習ベンチマークの低階ベースラインよりも優れていることが多い。 しかし、パフォーマンスの向上だけでは、この説明は成立しない。 高階モデルは高階の理由から勝つのか? そこで本研究では,低次情報,すなわちペアワイズ情報を保存しながら高次情報を摂動する,制御されたパフォーマンス属性フレームワークを提案する。 3つのタスクにまたがる25以上のハイパーグラフ学習ベンチマークにおいて、我々はしばしば興味深いパターンを観察する。 これは、観測された利点の多くは、高次情報なしでも達成可能であることを示唆している。 次に、これらの残差に対する下次説明の可能性について検討する。 その結果,低次ベースラインへの単純な加算,例えばよりリッチなペアワイド重み付け,ペアワイドな特徴伝搬のステップの拡大,正規化,残りの性能ギャップの低減,観測された利点の一部に対する低次説明のサポート,などが確認できた。 我々の分析では、ハイパーグラフ学習コミュニティは、パフォーマンス向上と説明を区別し、より高次のベースラインを採用し、高次の情報の価値をよりよくテストする適切なベンチマークを使用することによって、パフォーマンス貢献を再考するよう求めている。

関連論文リスト

• Position: State-of-the-Art Claims Require State-of-the-Art Evidence [7.225436467899107]
  State-of-the-Art(SOTA)は、AI(Pervade Artificial Intelligence)とML(Machine Learning)の研究を主張している。 これらの主張は、モデルがタスクの合計スコアによってランク付けされるベンチマーク評価に依存している。 AIベンチマークにおいて、幅広いクレーム・エビデンスギャップを識別する。 我々は、主張言語は根底にある証拠の強さを反映すべきであると主張する。
  論文  参考訳（メタデータ） (2026-05-17T05:48:10Z)
• An Embarrassingly Simple Graph Heuristic Reveals Shortcut-Solvable Benchmarks for Sequential Recommendation [50.09718257952108]
  Sequentialsolvは、シーケンシャルなパターンとセマンティックなアイテム情報を組み合わせたジェネレーティブなレコメンデーターへと移行している。 これらの手法は、しばしば、広く使われている少数のベンチマークで評価され、重要な疑問を提起する: これらのベンチマークは、現代のジェネレーティブレコメンデーターが提供しようとしている高度なモデリング機能を必要としているか? 我々は、意図的な単純なグラフでベンチマーク監査を行い、最後の1つか2つの項目から、数ホップの項目遷移グラフから候補を検索し、項目間類似度でランク付けする。
  論文  参考訳（メタデータ） (2026-05-08T02:00:11Z)
• Achieving More with Less: A Tensor-Optimization-Powered Ensemble Method [53.170053108447455]
  アンサンブル学習(英: Ensemble learning)は、弱い学習者を利用して強力な学習者を生み出す方法である。 我々は、マージンの概念を活かした滑らかで凸な目的関数を設計し、強力な学習者がより差別的になるようにした。 そして、我々のアルゴリズムを、多数のデータセットの10倍の大きさのランダムな森林や他の古典的な手法と比較する。
  論文  参考訳（メタデータ） (2024-08-06T03:42:38Z)
• Higher Order Structures For Graph Explanations [9.164945693135959]
  グラフ説明における高階表現のためのフレームワーク(FORGE)を提案する。 FORGEはグラフ説明器が高次のマルチノードインタラクションをキャプチャすることを可能にする。 平均説明精度をそれぞれ1.9倍と2.25倍に改善する。
  論文  参考訳（メタデータ） (2024-06-05T13:31:30Z)
• Subsampled Ensemble Can Improve Generalization Tail Exponentially [27.941595142117443]
  アンサンブル学習は、機械学習モデルの精度を改善するための一般的なテクニックである。 本稿では,アンサンブルの新たな視点について述べる。 我々は,アンサンブル手法がサンプル外性能を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2024-05-23T16:05:10Z)
• Augmentations in Hypergraph Contrastive Learning: Fabricated and Generative [126.0985540285981]
  我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。 我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。 拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-10-07T20:12:20Z)
• The Performance of the MLE in the Bradley-Terry-Luce Model in $\ell_{\infty}$-Loss and under General Graph Topologies [76.61051540383494]
  我々はBradley-Terry-Luceモデルの$ell_infty$推定誤差に関する新しい一般上限を導出する。 導出された境界は良好に機能し、場合によっては既知の結果よりもシャープであることを示す。
  論文  参考訳（メタデータ） (2021-10-20T23:46:35Z)
• On Low Rank Directed Acyclic Graphs and Causal Structure Learning [22.84535874529307]
  DAG因果モデルの(重み付けされた)隣接行列に関する低階仮定を利用する。 最大ランクはハブに強く関係していることを示し、スケールフリーネットワークは低いランクになる傾向があることを示唆する。 実験では, 各種データモデルに対する低階適応の有効性を実証した。
  論文  参考訳（メタデータ） (2020-06-10T07:11:12Z)

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。