論文の概要: When Missingness Follows the Graph: Beyond Feature Propagation for Missing Features
- arxiv url: http://arxiv.org/abs/2610.18113v1
- Date: Tue, 13 Oct 2026 10:25:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.591091
- Title: When Missingness Follows the Graph: Beyond Feature Propagation for Missing Features
- Title（参考訳）: 欠落がグラフをフォローする時: 欠落する機能に対する機能プロパゲーションを超えて
- Abstract要約: 既存のグラフ固有手法は、観測された特徴値をグラフエッジに沿って伝播することにより、欠落を処理する。
この相補的な概念をグラフ構造マスク依存として定式化し、グラフによって欠失指標の共分散が形成される。
この制限によって動機づけられたPEMixは、グラフ構造上の欠如に挑戦して有効であるように設計されている。
- 参考スコア（独自算出の注目度）: 18.05759108712949
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Neural Networks (GNNs) commonly assume that node features are fully observed, despite missing features being pervasive in real-world applications. By leveraging the dependence between node features and graph structure, existing graph-specific methods handle missingness by propagating observed feature values along graph edges. However, these methods have mainly been evaluated in overly optimistic settings, where feature entries are removed independently and uniformly across the graph. This overlooks realistic scenarios in which missingness propagates among connected nodes, as can occur during localized sensing failures in sensor networks. We formalize this complementary notion as graph-structured mask dependence, where the joint distribution of missingness indicators is shaped by the graph, and introduce a controlled mechanism that instantiates this setting. We study propagation-based methods theoretically and empirically in this setting, showing that their effectiveness changes substantially compared with the uniformly random regime. Motivated by this limitation, we propose PEMix, designed to remain effective under challenging graph-structured missingness. Rather than propagating observed values, PEMix uses global structural representations to condition a probabilistic model of incomplete node features before message passing. Experiments under controlled graph-structured missingness and naturally occurring missingness show that PEMix remains robust across complex missingness regimes, with particularly strong performance as missingness becomes severe.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、現実のアプリケーションで広く普及していない機能にもかかわらず、ノード機能が完全に観察されていると一般的に想定している。
ノードの特徴とグラフ構造の間の依存性を活用することで、グラフエッジに沿って観測された特徴値を伝搬することにより、既存のグラフ固有の手法が欠落を処理する。
しかし、これらの手法は主に過度に楽観的な設定で評価され、特徴エントリはグラフ全体で独立に、均一に除去される。
これは、センサネットワークの局所的な検知障害時に発生するような、接続ノード間で欠如が伝播する現実的なシナリオを見落としている。
本稿では,このグラフ構造マスク依存の概念を定式化し,そのグラフによって失明指標の結合分布が形成されるとともに,この設定をインスタンス化するための制御機構を導入する。
本研究では, 伝搬法を理論的, 実験的に検討し, その効果が一様ランダムな状態と比較して大きく変化することを示した。
この制限によって動機づけられたPEMixは、グラフ構造上の欠如に挑戦して有効であるように設計されている。
PEMixは、観測値の伝搬ではなく、グローバルな構造表現を使用して、メッセージパッシングの前に不完全なノード特徴の確率的モデルを条件付けている。
制御されたグラフ構造的欠失と自然に発生する欠失による実験では、PEMixは複雑な欠失体制全体にわたって頑健であり、特に欠失が深刻になるにつれて高い性能を示す。
関連論文リスト
- Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。
本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。
本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
論文 参考訳（メタデータ） (2026-10-02T20:36:22Z) - Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification [81.06278257153835]
本稿では,構造的ボトルネック低減とグラフ特性保存のバランスをとるグラフ再構成手法を提案する。
本手法は、疎性を維持しながら接続性を高めたグラフを生成し、元のグラフスペクトルを大半保存する。
論文 参考訳（メタデータ） (2025-06-19T08:01:00Z) - Uncertainty Estimation on Graphs with Structure Informed Stochastic Partial Differential Equations [1.2584276673531931]
グラフニューラルネットワークは、様々なネットワークモデリングタスクで目覚ましい結果を得たが、グラフ上の不確実性を正確に推定することは難しいままである。
本稿では,SPDEへのガウス過程アプローチによる空間時空間雑音を取り入れた新しいメッセージパッシング方式を提案する。
提案手法は,空間的および時間的不確かさを同時に捕捉し,共分散カーネルのスムーズさを明示的に制御し,低ラベルと高ラベルの両方でグラフ上の不確かさを推定する。
論文 参考訳（メタデータ） (2025-06-07T19:58:38Z) - Graph Evidential Learning for Anomaly Detection [19.046244103954855]
本稿では,グラフ・エビデンシャル・ラーニング(GEL)を提案する。
GELはグラフの不確かさと再構成の不確かさの2つのタイプを定量化し、それらを異常スコアリング機構に組み込む。
GELは、ノイズや構造的摂動に対して高い堅牢性を保ちながら、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-05-31T15:06:42Z) - A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
署名されたグラフの枠組みに基づく統一的な理論的視点を示す。
既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。
本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
論文 参考訳（メタデータ） (2025-02-17T03:25:36Z) - Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。
ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。
4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文 参考訳（メタデータ） (2024-01-24T03:43:45Z) - USER: Unsupervised Structural Entropy-based Robust Graph Neural Network [22.322867182077182]
教師なしグラフニューラルネットワーク(GNN)は、入力グラフデータの固有のランダム性に対して脆弱である。
構造エントロピーに基づくグラフニューラルネットワークの教師なしロバストバージョンであるUSERを提案する。
ランダムノイズ下でのクラスタリングとリンク予測タスク、および3つのデータセットに対するメタアタックの実験は、USERのベンチマークより優れていることを示している。
論文 参考訳（メタデータ） (2023-02-12T10:32:12Z) - ARISE: Graph Anomaly Detection on Attributed Networks via Substructure
Awareness [70.60721571429784]
サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。
ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。
実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
論文 参考訳（メタデータ） (2022-11-28T12:17:40Z) - Implicit vs Unfolded Graph Neural Networks [29.803948965931212]
暗黙的かつ展開的なGNNは、異なる規則間で強いノード分類精度が得られることを示す。
IGNNはメモリ効率がかなり高いが、UGNNモデルはユニークで統合されたグラフアテンション機構と伝搬規則をサポートしている。
論文 参考訳（メタデータ） (2021-11-12T07:49:16Z) - Adversarial Graph Disentanglement [47.27978741175575]
実世界のグラフは複雑な位相構造を持ち、しばしば異なる潜在因子の相互作用によって形成される。
グラフ表現学習のためのアンダーラインtextbfAdversarial underlinetextbfDisentangled underlinetextbfGraph underlinetextbfConvolutional underlinetextbfNetwork (ADGCN)を提案する。
論文 参考訳（メタデータ） (2021-03-12T14:11:36Z) - Bayesian Inductive Learner for Graph Resiliency under uncertainty [1.9254132307399257]
大規模グラフにおける臨界ノードを特定するためのベイズグラフニューラルネットワークに基づくフレームワークを提案する。
フレームワークが提供する計算複雑性の忠実さと向上について説明する。
論文 参考訳（メタデータ） (2020-12-26T07:22:29Z)
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。