論文の概要: Graph Representation Learning via Adaptive Expectile Aggregation

• arxiv url: http://arxiv.org/abs/2610.37450v1
• Date: Tue, 27 Oct 2026 15:54:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.68225
• Title: Graph Representation Learning via Adaptive Expectile Aggregation
• Title（参考訳）: アダプティブ・アグリゲーションによるグラフ表現学習
• Abstract要約: 本研究では,学習可能な予測レベルを導入したアダプティブグラフアグリゲーションフレームワークであるPre expectileGCNを提案する。 シグモイドの平滑化と固定点反復に基づく微分可能近似は、エンドツーエンドの最適化を可能にする。 ホモ親和性およびヘテロ親和性ベンチマークグラフの実験は、強い予測性能と堅牢性の向上を示す。
• 参考スコア（独自算出の注目度）: 4.768724680921327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) rely critically on neighborhood aggregation, yet conventional mean aggregation may fail to capture class-relevant distributional information, particularly in heterophilic graphs. We propose ExpectileGCN, an adaptive graph aggregation framework that introduces a learnable expectile level to capture neighborhood information beyond the mean. The proposed operator continuously adjusts aggregation between minimum- and maximum-type behaviors, with mean aggregation as a special case. A differentiable approximation based on sigmoid smoothing and fixed-point iterations enables end-to-end optimization. Theoretically, we establish stability properties and transductive generalization guarantees for ExpectileGCN. We further investigate its classification risk under heterophilic neighborhood models. For informative neighborhoods, we show that expectile aggregation can exploit class-dependent scale differences to achieve a classification advantage over mean aggregation. Under a local asymptotic regime with diminishing per-neighbor label informativeness, we establish that this advantage can persist in terms of limiting classification risk. Experiments on homophilic and heterophilic benchmark graphs demonstrate strong predictive performance and improved robustness under feature corruption and structural perturbations.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、近隣の集約に批判的に依存するが、従来の平均集約は、特に異種グラフにおいて、クラス関連分布情報をキャプチャできない可能性がある。 本研究では,学習可能な予測レベルを導入したアダプティブグラフアグリゲーションフレームワークであるPre expectileGCNを提案する。 提案演算子は, 最小値と最大値のアグリゲーションを連続的に調整し, 平均アグリゲーションを特別な場合とする。 シグモイドの平滑化と固定点反復に基づく微分可能近似は、エンドツーエンドの最適化を可能にする。 理論的には、期待されるGCNに対する安定性特性と帰納的一般化の保証を確立する。 さらに、異種近辺モデルに基づく分類リスクについて検討する。 情報的地区に対しては,平均集約よりも分類上の優位性を得るために,期待集約がクラス依存のスケール差を活用できることが示される。 近隣のラベル情報量が減少する地域無症状体制下では,この優位性は分類リスクの制限の観点から持続可能であることが確認された。 ホモ親和性およびヘテロ親和性ベンチマークグラフの実験は、強い予測性能を示し、特徴的破壊と構造的摂動下での堅牢性を改善した。

関連論文リスト

• Graph-Informed Adversarial Modeling: Infimal Subadditivity of Interpolative Divergences [0.0]
  本研究では,ベイズネットワークによって対象分布が分解される場合の逆学習について検討する。 適切な条件下では、グローバルな変分差分は、グラフに整合した家族レベルの差分平均によって制御されることを示す。
  論文  参考訳（メタデータ） (2026-03-20T15:12:42Z)
• Interpretable and Adaptive Node Classification on Heterophilic Graphs via Combinatorial Scoring and Hybrid Learning [1.2691047660244335]
  グラフニューラルネットワーク(GNN)は、ホモフィルグラフ上で強い性能を達成するが、隣接するノードがしばしば異なるクラスに属しているため、しばしば過度に苦労する。 本稿では、深いメッセージパッシングではなく、明示的な推論に基づく半教師付きノード分類のための解釈可能かつ適応的なフレームワークを提案する。 ヘテロ親和性および遷移性ベンチマークの実験は、現代のGNNと競合する性能を示し、解釈可能性、マグロ、計算効率の利点を提供する。
  論文  参考訳（メタデータ） (2025-12-22T20:50:44Z)
• Limits of message passing for node classification: How class-bottlenecks restrict signal-to-noise ratio [0.6117371161379209]
  メッセージパッシングニューラルネットワーク(MPNN)はノード分類の強力なモデルであるが、グラフのヘテロフィリーおよび構造的ボトルネックの下でのパフォーマンス制限に悩まされている。 本稿では,MPNN表現の信号対雑音比(SNR)を用いて,ヘテロフィリとボトルネックの関係を明らかにする。 高次ホモフィリーを最大化するための最適グラフ構造は、単クラスおよび二クラス二部体の解離結合であることを示す。 これにより、全てのホモフィリーにおけるほぼ完璧な分類精度を達成するグラフアンサンブルに基づく再配線アルゴリズムBRIDGEが得られる。
  論文  参考訳（メタデータ） (2025-08-25T09:25:14Z)
• Benign Overfitting and the Geometry of the Ridge Regression Solution in Binary Classification [75.01389991485098]
  リッジ回帰はクラスタ平均ベクトルのスケールによって定性的に異なる挙動を示す。 スケールが非常に大きいレジームでは、良心過剰を許容する条件は回帰タスクと同一であることが判明した。
  論文  参考訳（メタデータ） (2025-03-11T01:45:42Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Binary Classification of Gaussian Mixtures: Abundance of Support Vectors, Benign Overfitting and Regularization [39.35822033674126]
  生成ガウス混合モデルに基づく二項線形分類について検討する。 後者の分類誤差に関する新しい非漸近境界を導出する。 この結果は, 確率が一定である雑音モデルに拡張される。
  論文  参考訳（メタデータ） (2020-11-18T07:59:55Z)
• Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational Inference [48.63194907060615]
  半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。 我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
  論文  参考訳（メタデータ） (2020-10-31T05:48:34Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。