論文の概要: A Living Leaderboard for Graph Machine Learning

• arxiv url: http://arxiv.org/abs/2611.03433v1
• Date: Mon, 02 Nov 2026 16:53:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 04:35:05.709467
• Title: A Living Leaderboard for Graph Machine Learning
• Title（参考訳）: グラフ機械学習のためのリビングリーダーボード
• Abstract要約: グラフ機械学習のベンチマーク結果はかなり異なるデータセットとベースラインメソッドを使用する論文に散在する。 私たちは、データセットによってレポート結果を整理し、新しい結果をコンテキストに配置する、生きたグラフ学習専用のリーダーボードを導入します。
• 参考スコア（独自算出の注目度）: 3.891921282474929
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Graph machine learning benchmarking results are scattered across papers that use quite different sets of datasets and baseline methods, making it difficult to tell whether a reported gain reflects architectural progress or merely an outdated comparison or weakly tuned baseline. We introduce a living, graph-learning-specific leaderboard that organizes reported results by dataset, putting new results into context. As of 15 October 2026 our LLM-based extraction pipeline extracted 27,723 eligible results across 111 datasets from 885 peer-reviewed papers. Our analysis of these results quantifies concerns about graph-learning benchmarking: legacy datasets are still actively used and many result tables contain baseline results that are drastically lower than those already available in the literature, e.g. 45% Amazon-ratings tables and 37% for Peptides-struct. The leaderboard allows to quickly compare new results against compatible prior results, aiming to improve the overall quality of graph learning benchmarking.
• Abstract（参考訳）: グラフ機械学習ベンチマークの結果は、全く異なるデータセットとベースラインメソッドを使用する論文に散らばっているため、報告されたゲインがアーキテクチャの進歩を反映しているか、単に時代遅れな比較なのか、あるいは弱められたベースラインなのかを判断することは困難である。 私たちは、データセットによってレポート結果を整理し、新しい結果をコンテキストに配置する、生きたグラフ学習専用のリーダーボードを導入します。 2026年10月15日時点で、LLMベースの抽出パイプラインは、885の査読論文から111のデータセットから27,723の適格な結果を抽出した。 レガシーデータセットはまだアクティブに使用されており、多くの結果テーブルには、すでに文献で利用可能なものよりも大幅に低いベースライン結果、例えば、Amazonの45%のレーティングテーブル、37%のPeptides-structが含まれている。 リーダボードでは、グラフ学習ベンチマークの全体的な品質向上を目的とした、互換性のある事前結果に対して、新たな結果の迅速な比較が可能になる。

関連論文リスト

• ZOGRASCOPE: A New Benchmark for Semantic Parsing over Property Graphs [3.0748861313823]
  プロパティグラフ(PG)は、複雑な構造化情報を表現する手段として採用されている。 業界での人気が高まっているにもかかわらず、PGはセマンティックパーシング研究において相対的に過小評価されている。 PGとCypherで書かれたクエリに特化して設計されたベンチマークであるZOGRASCOPEを紹介する。
  論文  参考訳（メタデータ） (2025-03-07T09:33:30Z)
• No Metric to Rule Them All: Toward Principled Evaluations of Graph-Learning Datasets [16.040478092904632]
  グラフ学習データセットの品質を評価するためのフレキシブルでモード摂動フレームワークであるRingsを紹介した。 本フレームワークでは,評価ツールとして分離性とモード補完性という2つの尺度を提案する。 グラフ学習手法の評価を改善するための実用的な勧告を導出する。
  論文  参考訳（メタデータ） (2025-02-04T14:59:03Z)
• Rethinking the Effectiveness of Graph Classification Datasets in Benchmarks for Assessing GNNs [7.407592553310068]
  本稿では,単純な手法とGNN間の性能差を調べるための,公正なベンチマークフレームワークに基づく経験的プロトコルを提案する。 また,データセットの複雑性とモデル性能を両立させることにより,データセットの有効性を定量化する新しい指標を提案する。 我々の発見は、ベンチマークデータセットの現在の理解に光を当て、新しいプラットフォームは、グラフ分類ベンチマークの将来的な進化を後押しする可能性がある。
  論文  参考訳（メタデータ） (2024-07-06T08:33:23Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• Investigating Pretrained Language Models for Graph-to-Text Generation [55.55151069694146]
  Graph-to-text生成は、グラフベースのデータから流動的なテキストを生成することを目的としている。 本稿では,3つのグラフ領域,つまり表現,ウィキペディア知識グラフ(KG),科学的なKGについて検討する。 我々は, PLM の BART と T5 が新たな最先端の成果を達成し, タスク適応型事前学習戦略が性能をさらに向上することを示す。
  論文  参考訳（メタデータ） (2020-07-16T16:05:34Z)
• Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
  グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。 本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。 いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
  論文  参考訳（メタデータ） (2020-03-10T02:33:14Z)

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。