論文の概要: Chasing Label Shifters: A Change-Aware Framework for Dynamic Graph Node Classification

• arxiv url: http://arxiv.org/abs/2610.17582v1
• Date: Tue, 13 Oct 2026 02:00:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.488189
• Title: Chasing Label Shifters: A Change-Aware Framework for Dynamic Graph Node Classification
• Title（参考訳）: Chasing Label Shifters: 動的グラフノード分類のための変更対応フレームワーク
• Abstract要約: モデルに依存しないChange-AwareフレームワークであるCHASEを提案する。 CHASEは、テストされたすべてのモデルとデータセット間のシフトアパフォーマンスを一貫して改善することを示す。 さらに3つの動的グラフベンチマークにラベルを自然にシフトさせ、既存のリソースのギャップを埋める。
• 参考スコア（独自算出の注目度）: 12.76425206403985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Entities in real-world systems often evolve over time: users shift between information consumption patterns, researchers migrate between fields, and firms transition between financial risk states. When such systems are modeled as dynamic graphs, these transitions correspond to nodes whose class labels change between consecutive snapshots, which we call shifters. Correctly classifying shifters is often more consequential than classifying stable nodes with persistent labels, as detecting such transitions enables timely intervention in high-stakes settings. Yet, we identify a systematic failure mode across all major dynamic graph neural network architectures: shifter performance consistently lags behind stable nodes, with errors concentrated on the old label. Our structural analysis traces this failure to embedding inertia: neighborhood aggregation keeps shifter representations anchored to the old-class centroid, and this effect is strongest precisely where it is hardest to correct, namely for shifters whose neighborhoods remain aligned with the old class. Guided by this finding, we propose CHASE, a model-agnostic CHange-Aware framework for Shifting nodEs that wraps any dynamic GNN with targeted components for detecting label shifts and overriding stale neighborhood signals. CHASE consistently improves shifter performance across all tested models and datasets (up to 114.9% and 202.5% improvement on accuracy and F1 score, respectively) while preserving stable-node performance. We additionally contribute three dynamic graph benchmarks with naturally shifting labels, filling a gap in existing resources. The source code is available at https://github.com/jhkim611/CHASE
• Abstract（参考訳）: ユーザーは情報消費パターン間を移行し、研究者はフィールド間を移動し、企業は金融リスク状態間を移行する。 このようなシステムが動的グラフとしてモデル化される場合、これらの遷移は、連続するスナップショット間でクラスラベルが変化するノードに対応します。 正しいシフタの分類は、安定したノードを永続的なラベルで分類するよりも、多くの場合、その移行を検知することで、ハイテイクな設定でのタイムリーな介入が可能になる。 しかし、我々は、すべての主要な動的グラフニューラルネットワークアーキテクチャにまたがる系統的な障害モードを特定した。 我々の構造解析は、慣性埋め込みの失敗を辿っている: 近傍の集約は、古い階級のセントロイドに固定されたシフター表現を保ち、この効果は、最も修正が難しい場所、すなわち、近隣が古い階級と整合したままであるシフターにとって最強である。 この発見に導かれたCHASEは,ラベルシフトの検出や古い近傍信号のオーバーライドを行うため,任意の動的GNNを対象コンポーネントでラップする,モデルに依存しないnodEsをシフトするChange-Awareフレームワークである。 CHASEは安定したノード性能を維持しながら、すべてのテスト済みモデルとデータセット(それぞれ114.9%と202.5%の精度向上)におけるシフトア性能を継続的に改善する。 さらに3つの動的グラフベンチマークにラベルを自然にシフトさせ、既存のリソースのギャップを埋める。 ソースコードはhttps://github.com/jhkim611/CHASEで入手できる。

関連論文リスト

• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Structural Alignment Improves Graph Test-Time Adaptation [17.564393890432193]
  グラフテスト時間適応(GTTA)のための新しいアルゴリズムであるテスト時間構造アライメント(TSA)を導入する。 TSAは、ソースデータにアクセスすることなく、推論中にグラフ構造を整列する。 合成および実世界のデータセットの実験は、TSAが非グラフTTA法と最先端GTTAベースラインの両方で一貫した性能を実証している。
  論文  参考訳（メタデータ） (2025-02-25T16:26:25Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Pairwise Alignment Improves Graph Domain Adaptation [16.626928606474173]
  この研究は、グラフデータ上の分散シフトのユニークな複雑さに対処するために、グラフドメイン適応(GDA)に注力する。 本稿では,グラフ構造変化に対応する新しい理論的手法であるペアワイズアライメント(ペアワイズアライメント)を提案する。 提案手法は,ソーシャルネットワークの領域シフトを伴うノード分類を含む実世界のアプリケーションにおいて,優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-02T04:31:28Z)
• Unleashing the Power of Graph Data Augmentation on Covariate Distribution Shift [50.98086766507025]
  本稿では,AIA(Adversarial Invariant Augmentation)という,シンプルで効率の良いデータ拡張戦略を提案する。 AIAは、拡張プロセス中に元の安定した特徴を同時に保存しながら、新しい環境をエクスポーレーションし、生成することを目的としている。
  論文  参考訳（メタデータ） (2022-11-05T07:55:55Z)
• Stable Prediction on Graphs with Agnostic Distribution Shift [105.12836224149633]
  グラフニューラルネットワーク(GNN)は、ランダムにトレーニングとテストデータを分離した様々なグラフタスクに有効であることが示されている。 しかし、実際のアプリケーションでは、トレーニンググラフの分布はテストグラフとは異なるかもしれない。 本稿では,グラフ上での局所的およびグローバル的に安定な学習と予測を可能にする,GNNのための新しい安定な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-08T02:45:47Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。