論文の概要: Implicit Feature Reweighting for Label-Free Graph Generalization

• arxiv url: http://arxiv.org/abs/2610.29571v1
• Date: Wed, 21 Oct 2026 11:04:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.319865
• Title: Implicit Feature Reweighting for Label-Free Graph Generalization
• Title（参考訳）: ラベルフリーグラフ一般化のためのインプシット特徴強調法
• Abstract要約: グラフレベルのアウト・オブ・ディストリビューションの一般化は、分散シフトが避けられない現実のアプリケーションにグラフニューラルネットワークをデプロイするために重要である。 分散シフトロバストグラフ表現を出力するラベルなし表現学習フレームワークであるSCARCEを提案する。 制御された合成データセットとDragonOODデータセットの実験は、SCARCEが最先端のOOD一般化を実現することを示している。
• 参考スコア（独自算出の注目度）: 8.457434280596642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-level out-of-distribution (OOD) generalization is critical for deploying graph neural networks in real-world applications where distribution shifts are inevitable. Existing approaches typically require class labels during representation learning to decide which substructures are predictive, limiting their applicability. We propose SCARCE, a label-free representation-learning framework that yields distribution-shift-robust graph representations from an environment partition of the training graphs alone, whether that partition comes from dataset metadata or, when none is available, from clustering a self-supervised embedding. Our method operates in two stages: (1) a variational graph autoencoder is warm-started for graph reconstruction; and (2) an adversarial confusion mechanism forces the encoder to produce representations from which a discriminator cannot distinguish environments, while preserving graph-reconstruction fidelity. We provide theoretical analysis showing that environment confusion contracts environment-discriminative directions in the representation space, which, under regularized downstream classifiers, is equivalent to imposing a stronger directional penalty on environment-associated features. This feature-reweighting mechanism reduces reliance on spurious correlations without erasing information, offering a label-free, continuous relaxation of last-layer reweighting methods. Experiments on a controlled synthetic datasets and the DrugOOD datasets show that SCARCE achieves state-of-the-art OOD generalization among label-free methods, using no class labels during representation learning.
• Abstract（参考訳）: グラフレベルのアウト・オブ・ディストリビューション(OOD)の一般化は、分散シフトが避けられない現実のアプリケーションにグラフニューラルネットワークをデプロイするために重要である。 既存のアプローチでは、表現学習中にクラスラベルが必要であり、どのサブ構造が予測可能かを判断し、適用性を制限する。 ラベルのない表現学習フレームワークであるSCARCEを提案する。これは、トレーニンググラフの環境分割から、その分割がデータセットメタデータからのものであるか、あるいは、利用できない場合は、自己管理型埋め込みのクラスタリングから得られるかに関わらず、分散シフト-ロバストグラフ表現を生成する。 本手法は,(1)グラフ再構成において,変分グラフオートエンコーダをウォームスタートさせ,(2)逆方向の混乱機構により,識別器が環境を識別できない表現を生成するとともに,グラフ再構成の忠実さを保ちながら,その表現を強制的に生成する。 本稿では, 環境混同が環境関連の特徴に対してより強い方向性のペナルティを課すことで, 正規化下流分類器の下で環境混同が環境識別方向を制約することを示す理論的解析を行う。 この機能再重み付け機構は、情報を消去することなく、スプリアス相関への依存を低減し、ラスト層再重み付け法をラベルフリーで連続的に緩和する。 制御された合成データセットとDrarmOODデータセットの実験は、SCARCEが表現学習中にクラスラベルを使わずに、ラベルのないメソッド間で最先端のOOD一般化を実現することを示す。

関連論文リスト

• Dual-Primal Graph VAEs for Noisy Label Aggregation [0.0]
  ノイズの多いクラウドソースラベルから根本的真実を推定することは重要な理論的・実践的な問題である。 本稿では,デコーダとエンコーダが,クラウドソースデータセットの隣接グラフ上でGATベースのメッセージパッシングを利用するグラフVAEアーキテクチャを提案する。 我々は,クラウドソーシングベンチマークにおいて,このモデルがアートパフォーマンスの状態を達成していることを示す。
  論文  参考訳（メタデータ） (2026-08-11T22:24:16Z)
• Beyond Distribution Estimation: Simplex Anchored Structural Inference Towards Universal Semi-Supervised Learning [47.92504362652887]
  半教師付き学習は、ラベル付きデータが不足し、ラベルなしデータが未知の任意の分布に従う現実的なシナリオにおいて重大な課題に直面している。 我々は、Universal Semi-supervised Learning (UniSSL)として、批判的ながら未探索のパラダイムを定式化する。 本稿では,信頼度の高い擬似ラベルを優先するための分布非依存指標に基づく重み付け戦略と,誤用する可能性のある擬似ラベルを分離するための補助分岐を導入する。
  論文  参考訳（メタデータ） (2026-05-08T10:33:09Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Unbiased Graph Embedding with Biased Graph Observations [52.82841737832561]
  基礎となるバイアスのないグラフから学習することで、バイアスのない表現を得るための、原則化された新しい方法を提案する。 この新たな視点に基づいて、そのような基礎となるグラフを明らかにするための2つの補完的手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T18:44:37Z)

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。