論文の概要: New Benchmarks for Learning on Non-Homophilous Graphs

• arxiv url: http://arxiv.org/abs/2104.01404v1
• Date: Sat, 3 Apr 2021 13:45:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 13:00:34.161517
• Title: New Benchmarks for Learning on Non-Homophilous Graphs
• Title（参考訳）: 非ホモフィラスグラフの学習のための新しいベンチマーク
• Authors: Derek Lim, Xiuyu Li, Felix Hohne, Ser-Nam Lim
• Abstract要約: ホモフィリー原理を満たさないノードラベル関係を持つ改良されたグラフデータセットを多数提示する。 我々はまた、異なる体制における既存の措置よりも適しているホモフィリーの存在または不在の新しい尺度を紹介します。
• 参考スコア（独自算出の注目度）: 20.082182515715182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Much data with graph structures satisfy the principle of homophily, meaning that connected nodes tend to be similar with respect to a specific attribute. As such, ubiquitous datasets for graph machine learning tasks have generally been highly homophilous, rewarding methods that leverage homophily as an inductive bias. Recent work has pointed out this particular focus, as new non-homophilous datasets have been introduced and graph representation learning models better suited for low-homophily settings have been developed. However, these datasets are small and poorly suited to truly testing the effectiveness of new methods in non-homophilous settings. We present a series of improved graph datasets with node label relationships that do not satisfy the homophily principle. Along with this, we introduce a new measure of the presence or absence of homophily that is better suited than existing measures in different regimes. We benchmark a range of simple methods and graph neural networks across our proposed datasets, drawing new insights for further research. Data and codes can be found at https://github.com/CUAI/Non-Homophily-Benchmarks.
• Abstract（参考訳）: グラフ構造を持つ多くのデータはホモフィリーの原理を満たすため、連結ノードは特定の属性に関して類似する傾向がある。 このように、グラフ機械学習タスクのためのユビキタスデータセットは一般的に非常にホモフィル性が高く、帰納的バイアスとしてホモフィリーを利用する報奨方法である。 近年の研究では、新しい非ホモフィル性データセットが導入され、低ホモフィル環境に適したグラフ表現学習モデルが開発されている。 しかし、これらのデータセットは小さく、好ましくない設定で新しい手法の有効性を真にテストするのに不適である。 ホモフィリー原理を満たさないノードラベル関係を持つ改良されたグラフデータセットを多数提示する。 これに加えて, 異なる体制における既存の措置よりも適したホモフィリーの有無について, 新たな尺度を提案する。 提案するデータセットにまたがる単純な手法とグラフニューラルネットワークをベンチマークし、さらなる研究のための新たな洞察を導き出した。 データとコードはhttps://github.com/CUAI/Non-Homophily-Benchmarksで見ることができる。

関連論文リスト

• Non-Homophilic Graph Pre-Training and Prompt Learning [11.996173149569627]
  本稿では,好ましくないグラフに対する事前学習と迅速な学習の枠組みであるProNoGを提案する。 まず、既存のグラフ事前学習手法を分析し、事前学習タスクの選択に関する理論的知見を提供する。 第2に,各ノードが特異な非ホモフィル性を示すことを認識し,下流タスクにおけるノード固有のパターンを特徴付ける条件付きネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-22T17:57:31Z)
• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。 最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
  異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。 我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。 その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:26:53Z)
• Robust Graph Structure Learning under Heterophily [12.557639223778722]
  本稿では、下流タスクのための異種データから高品質なグラフを実現するための、新しい頑健なグラフ構造学習法を提案する。 まず,そのノードの特徴に構造情報をエンコードすることで,各ノードが近隣ノードとより区別されるようにハイパスフィルタを適用する。 そして、異なるレベルのノイズを特徴付ける適応ノルムを持つ頑健なグラフを学習する。
  論文  参考訳（メタデータ） (2024-03-06T12:29:13Z)
• RAW-GNN: RAndom Walk Aggregation based Graph Neural Network [48.139599737263445]
  本稿では,新しいアグリゲーション機構を導入し,RAndom Walk Aggregation-based Graph Neural Network(RAW-GNN)法を提案する。 提案手法は,広義のランダムウォークサーチを用いて,ホモフィリー情報と深さ優先の探索を行い,ヘテロフィリー情報を収集する。 従来の地区をパスベースの地区に置き換え、リカレントニューラルネットワークに基づく新しい経路ベースのアグリゲータを導入する。
  論文  参考訳（メタデータ） (2022-06-28T12:19:01Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• Geometer: Graph Few-Shot Class-Incremental Learning via Prototype Representation [50.772432242082914]
  既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。 本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。 完全に接続されたニューラルネットワークのクラスを置き換えて再トレーニングする代わりに、Geometerは、最も近いクラスのプロトタイプを見つけることによって、ノードのラベルを予測する。
  論文  参考訳（メタデータ） (2022-05-27T13:02:07Z)
• Large Scale Learning on Non-Homophilous Graphs: New Benchmarks and Strong Simple Methods [16.170826632437183]
  新しいグラフニューラルネットワーク(GNN)が開発され、ホモフィリーレシエーションを越えている。 さまざまなアプリケーション領域から多種多様な非ホモフィル性データセットを導入します。 既存のスケーラブルなグラフ学習とグラフ最小化技術がパフォーマンスの低下につながることを示す。
  論文  参考訳（メタデータ） (2021-10-27T14:02:41Z)
• Is Homophily a Necessity for Graph Neural Networks? [50.959340355849896]
  グラフニューラルネットワーク(GNN)は、多数のグラフベースの機械学習タスクに適した学習表現において大きな進歩を見せている。 GNNはホモフィリーな仮定によりうまく機能し、異種ノードが接続する異種グラフへの一般化に失敗したと広く信じられている。 最近の研究は、このような不均一な制限を克服する新しいアーキテクチャを設計し、ベースライン性能の低さと、この概念の証拠として、いくつかの異種グラフベンチマークデータセットに対するアーキテクチャの改善を引用している。 我々の実験では、標準グラフ畳み込みネットワーク(GCN)が実際よりも優れた性能を実現できることを実証的に見出した。
  論文  参考訳（メタデータ） (2021-06-11T02:44:00Z)

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。