論文の概要: PATTERN Can Be Solved from Memory: Generator-Aware Baselines for Synthetic Node Classification

• arxiv url: http://arxiv.org/abs/2610.15020v1
• Date: Sat, 10 Oct 2026 15:54:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:57:28.256126
• Title: PATTERN Can Be Solved from Memory: Generator-Aware Baselines for Synthetic Node Classification
• Title（参考訳）: PATTERNはメモリから解決できる: 合成ノード分類のためのジェネレータ対応ベースライン
• Abstract要約: このベンチマークはグラフネットワークのランク付けに使われている。 ジェネレータは一度に100パターンを描画し、分割毎に同じパターンを配置するので、各テストグラフは100のトレーニンググラフにも現れるパターンを格納する。 トレーニングラベルからこれらのパターンを読み出し、各テストグラフでそれらを検索するマーカは、トレーニングされたパラメータなしで99.2のクラス重み付けの精度に達し、ベストパブリッシュされたモデルでは89.8である。
• 参考スコア（独自算出の注目度）: 1.5397834466394758
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: PATTERN, a synthetic node-classification benchmark still used to rank graph networks, plants a random subgraph in a random host graph and asks which nodes belong to it. Its generator draws 100 patterns once and plants the same ones in every split, so each test graph carries a pattern that also appears in 100 training graphs. A matcher that reads these patterns off the training labels and looks them up in each test graph reaches 99.2 class-weighted accuracy with no trained parameters, against 89.8 for the best published model. Inference under the generator without the patterns reaches 86.8. Two published models, CKGConv and GRIT, score lower on patterns they have not seen: on new graphs with fresh patterns both fall below this pattern-blind predictor, and withholding patterns from CKGConv's training lowers its accuracy on the test graphs that carry them. Training CKGConv with a new pattern in every graph raises its accuracy on fresh patterns by about 2 points, to the level of the pattern-blind predictor, at some cost on the reused patterns. The same kind of inference under the generator matches the best published result on CLUSTER and, without any training, scores above every published result we found on Minesweeper's released board. We recommend that synthetic benchmarks report scores on fresh templates beside reused ones, publish baselines built from their generators, and state how their metric is weighted and pooled.
• Abstract（参考訳）: グラフネットワークのランク付けに依然として使用されている合成ノード分類ベンチマークであるPATTERNは、ランダムなホストグラフにランダムなサブグラフを配置し、どのノードに属するのかを問う。 ジェネレータは一度に100パターンを描画し、分割毎に同じパターンを配置するので、各テストグラフは100のトレーニンググラフにも現れるパターンを格納する。 トレーニングラベルからこれらのパターンを読み出し、各テストグラフでそれらを検索するマーカは、トレーニングされたパラメータなしで99.2のクラス重み付けの精度に達し、ベストパブリッシュされたモデルでは89.8である。 パターンのないジェネレータでの推論は86.8に達する。 CKGConv と GRIT という2つの公開されたモデルでは、このパターン盲予測器より下にある新しいパターンを持つ新しいグラフにおいて、CKGConv のトレーニングによるパターンの保持は、それらを運ぶテストグラフの精度を低下させる。 CKGConvを各グラフに新しいパターンでトレーニングすると、新しいパターンの精度が約2ポイント向上し、再利用されたパターンのある程度のコストで、パターン盲予測器のレベルが向上する。 ジェネレータの下の同様の推論は、CLUSTERで発表された最も優れた結果と一致し、トレーニングなしでは、Minesweeperがリリースしたボードで見つけたすべての結果よりも高いスコアが得られます。 合成ベンチマークでは、再利用されたテンプレートの横にある新しいテンプレートのスコアを報告し、ジェネレータから構築されたベースラインを公開し、メトリクスの重み付けとプールの方法を記述することを推奨しています。

関連論文リスト

• Fully-inductive Node Classification on Arbitrary Graphs [18.90340185554506]
  本稿では,任意のテストグラフ上でモデルを推論する,完全な帰納的セットアップを提案する。 この挑戦的なセットアップの最初の試みとして、GraphAnyを提案する。 実証的には、わずか120のラベル付きノードを持つ単一のウィスコンシンデータセットでトレーニングされたGraphAnyは、平均精度67.26%で30の新しいグラフに一般化できる。
  論文  参考訳（メタデータ） (2024-05-30T19:43:29Z)
• GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
  グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。 近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。 本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-01-10T08:37:39Z)
• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• Learning Large Graph Property Prediction via Graph Segment Training [61.344814074335304]
  本稿では,メモリフットプリントを一定にして大きなグラフ特性予測を学習できる汎用フレームワークを提案する。 バックプロパゲーションのためにサンプリングされていないセグメントに対する埋め込みを効率的に得るために,歴史的埋め込みテーブルを導入することにより,GSTパラダイムを洗練する。 実験の結果,GST-EFDはメモリ効率が良く,高速でありながら,通常の全グラフ学習システムよりもテスト精度が若干向上していることがわかった。
  論文  参考訳（メタデータ） (2023-05-21T02:53:25Z)
• Node Copying: A Random Graph Model for Effective Graph Sampling [35.957719744856696]
  本稿では,グラフ上の分布を構成するノードコピーモデルを提案する。 コピーモデルの有用性を3つのタスクで示す。 提案モデルを用いて,グラフトポロジに対する敵攻撃の効果を緩和する。
  論文  参考訳（メタデータ） (2022-08-04T04:04:49Z)
• 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)
• Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph Convolutional Neural Networks [0.6236890292833384]
  本稿では,近隣ランダムウォークサンプリング(BGCN-NRWS)を用いたベイジアングラフ畳み込みネットワーク(Bayesian Graph Convolutional Network)を提案する。 BGCN-NRWSは、グラフ構造を利用したマルコフ・チェイン・モンテカルロ(MCMC)に基づくグラフサンプリングアルゴリズムを使用し、変分推論層を用いてオーバーフィッティングを低減し、半教師付きノード分類における最先端と比較して一貫して競合する分類結果を得る。
  論文  参考訳（メタデータ） (2021-12-14T20:58:27Z)

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。