グラフニューラルネットワーク
要約済み 2
-
arxiv-cs-ai 7時間前 3医療時系列分類に新手法、欠損データを直接処理DBGL: Decay-aware Bipartite Graph Learning for Irregular Medical Time Series Classification
不規則な観測間隔や欠損値を持つ医療時系列データを精度良く分類する手法「DBGL」が提案された。 患者と変数を二部グラフで表現し、時間減衰エンコーディングで欠損パターンと変数間依存を同時学習。 人工的なデータ整列が不要なため、実臨床データへの適用が容易になる可能性がある。
解説 DBGL（Decay-aware Bipartite Graph Learning）は、ICU等の臨床現場で生じる不規則な医療時系列データの分類精度向上を目的とした手法である。既存手法（GRU-D、SeFTなど）は欠損値を補完・補間して時系列を人工的に整列させるため、観測の不規則パターン自体が持つ情報を失う問題があった。DBGLは2つの主要な工夫でこれを解決する。第一に、患者ノードと変数（血圧・体温等）ノードからなる二部グラフ（二種類のノード間にのみ辺を持つグラフ）を構築し、非同期な観測を整列なしに直接グラフ構造へ埋め込む。これにより変数間の非同期な関係性もグラフ伝播で適応的に捉えられる。第二に、各変数ノードに固有の時間減衰エンコーディングを設計し、観測間の時間ギャップが長いほど情報が薄れる「変数減衰不規則性」を明示的にモデル化する。PHYSIONETやMIMIC-IIIなどの標準ベンチマークでの実験では既存手法を上回る性能を報告しており、特に欠損率が高いシナリオで優位性が顕著とされる。GPT系モデルとの比較は行われていないが、臨床意思決定支援への直接応用が見込まれる実用的な提案である。 -
arxiv-cs-ai 2日前 3GNNを審判役にLLMのグラフ学習を強化する新手法GNN-as-Judge: Unleashing the Power of LLMs for Graph Learning with GNN Feedback
研究チームがGNNをラベル品質の審判役として活用し、LLMのグラフ学習を強化する「GNN-as-Judge」を発表。 GNNの構造的バイアスで疑似ラベルのノイズを抑制し、少数ショット半教師あり学習を実現する。 ラベル不足環境でのLLMファインチューニングの課題を解決し、実用的なグラフAI応用に貢献。
解説 本論文はテキスト属性グラフ（TAG: Text-Attributed Graph）上での少数ショット半教師あり学習という実用的な課題に取り組む。TAGとはノードにテキスト特徴量を持つグラフ構造データで、論文引用ネットワークや商品レコメンドグラフなどが該当する。LLMはノードのテキストを意味的に理解する能力が高い一方、ラベル付きデータが少ない低リソース環境ではファインチューニングが困難であり、特にグラフの複雑な構造パターンを持つ場合は性能が制限される。提案するGNN-as-Judgeフレームワークは、GNNをラベルの質を評価する「審判」として活用し、LLMが生成した疑似ラベルの信頼性を構造的観点からフィルタリングする。GNNはノード間の隣接関係から伝播するメッセージパッシングにより、孤立した局所情報では捉えられないグラフ全体の構造的文脈を把握できる点が強みである。これにより信頼度の高い疑似ラベルのみを選んでLLMを追加学習させ、ラベルノイズによる性能劣化を防ぐ。既存のGPT-4oやGNNベースライン手法と比較した実験では、特にラベルが極端に少ない設定で優位性を示している。実用上の意義として、大量のアノテーションなしでグラフ分類・ノード分類タスクを高精度に解ける可能性があり、医療知識グラフや金融リスク分析など専門ラベルの取得コストが高い分野への応用が期待できる。