論文の概要: On Local Aggregation in Heterophilic Graphs
- arxiv url: http://arxiv.org/abs/2106.03213v1
- Date: Sun, 6 Jun 2021 19:12:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-13 09:40:15.712812
- Title: On Local Aggregation in Heterophilic Graphs
- Title（参考訳）: 好熱グラフにおける局所凝集について
- Authors: Hesham Mostafa, Marcel Nassar, Somdeb Majumdar
- Abstract要約: 我々は,従来のGNNと多層パーセプトロンを適切に調整した手法が,ヘテロ親和性グラフ上の最近の長距離アグリゲーション手法の精度に適合しているか,あるいは超越しているかを示す。
本稿では,新しい情報理論グラフ計量であるNativeborhood Information Content(NIC)メトリックを提案する。
- 参考スコア（独自算出の注目度）: 11.100606980915144
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many recent works have studied the performance of Graph Neural Networks
(GNNs) in the context of graph homophily - a label-dependent measure of
connectivity. Traditional GNNs generate node embeddings by aggregating
information from a node's neighbors in the graph. Recent results in node
classification tasks show that this local aggregation approach performs poorly
in graphs with low homophily (heterophilic graphs). Several mechanisms have
been proposed to improve the accuracy of GNNs on such graphs by increasing the
aggregation range of a GNN layer, either through multi-hop aggregation, or
through long-range aggregation from distant nodes. In this paper, we show that
properly tuned classical GNNs and multi-layer perceptrons match or exceed the
accuracy of recent long-range aggregation methods on heterophilic graphs. Thus,
our results highlight the need for alternative datasets to benchmark long-range
GNN aggregation mechanisms. We also show that homophily is a poor measure of
the information in a node's local neighborhood and propose the Neighborhood
Information Content(NIC) metric, which is a novel information-theoretic graph
metric. We argue that NIC is more relevant for local aggregation methods as
used by GNNs. We show that, empirically, it correlates better with GNN accuracy
in node classification tasks than homophily.
- Abstract（参考訳）: 最近の多くの研究は、グラフホモフィリーの文脈におけるグラフニューラルネットワーク(gnns)の性能について研究している。
従来のGNNはグラフ内のノードの隣人からの情報を集約することでノード埋め込みを生成する。
ノード分類タスクの最近の結果は、この局所集約アプローチが低ホモフィリーグラフ(ヘテロ親和性グラフ)では不十分であることを示している。
マルチホップアグリゲーションや遠く離れたノードからの長距離アグリゲーションを通じて、GNN層のアグリゲーション範囲を拡大することにより、そのようなグラフ上のGNNの精度を向上させるためのいくつかのメカニズムが提案されている。
本稿では,従来のgnnと多層パーセプトロンの適正な調整が,最近のヘテロ親和性グラフの長距離凝集法の精度を上回ったことを示す。
そこで本研究では,長距離GNNアグリゲーションメカニズムをベンチマークする代替データセットの必要性を強調した。
また, ホモフィリーは, ノードの局所的近傍における情報の粗悪な尺度であることを示すとともに, 新たな情報理論グラフ計量である近辺情報コンテンツ(NIC)メトリクスを提案する。
我々は NIC が GNN で用いられるような局所集約手法に関係していると主張している。
実験により,ノード分類タスクにおけるGNNの精度がホモフィリーよりも優れていることを示す。
関連論文リスト
- Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2023-05-18T07:27:18Z) - LSGNN: Towards General Graph Neural Network in Node Classification by
Local Similarity [59.41119013018377]
本稿では,ローカル類似性(LocalSim)を用いて,プラグイン・アンド・プレイモジュールとしても機能するノードレベルの重み付き融合を学習する。
そこで本研究では,より情報性の高いマルチホップ情報を抽出するための,新規かつ効率的な初期残留差分接続(IRDC)を提案する。
提案手法,すなわちローカル類似グラフニューラルネットワーク(LSGNN)は,ホモ親和性グラフとヘテロ親和性グラフの両方において,同等あるいは優れた最先端性能を提供できる。
論文 参考訳（メタデータ） (2023-05-07T09:06:11Z) - 2-hop Neighbor Class Similarity (2NCS): A graph structural metric
indicative of graph neural network performance [4.051099980410583]
グラフニューラルネットワーク(GNN)は、多数のドメインにわたるグラフ構造化データに対して最先端のパフォーマンスを実現する。
異なるタイプのノードが接続されるヘテロ親和性グラフでは、GNNは一貫して機能しない。
2-hop Neighbor Class similarity (2NCS) は、GNNのパフォーマンスと、他の指標よりも強く、一貫して相関する新しい定量的グラフ構造特性である。
論文 参考訳（メタデータ） (2022-12-26T16:16:51Z) - Discovering the Representation Bottleneck of Graph Neural Networks from
Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。
最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。
科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文 参考訳（メタデータ） (2022-05-15T11:38:14Z) - Graph Ordering Attention Networks [22.468776559433614]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに関わる多くの問題でうまく使われている。
近隣ノード間のインタラクションをキャプチャする新しいGNNコンポーネントであるグラフ順序付け注意層(GOAT)を導入する。
GOATレイヤは、複雑な情報をキャプチャするグラフメトリクスのモデリングにおけるパフォーマンスの向上を示す。
論文 参考訳（メタデータ） (2022-04-11T18:13:19Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。
また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文 参考訳（メタデータ） (2022-03-19T14:26:43Z) - Incorporating Heterophily into Graph Neural Networks for Graph Classification [6.709862924279403]
グラフニューラルネットワーク(GNN)は、しばしばグラフ分類において強いホモフィリを仮定し、ヘテロフィリを考えることは滅多にない。
We developed a novel GNN architecture called IHGNN (short for Incorporated Heterophily into Graph Neural Networks)
我々は、様々なグラフデータセット上でIHGNNを実証的に検証し、グラフ分類のための最先端のGNNよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-03-15T06:48:35Z) - Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。
そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文 参考訳（メタデータ） (2021-11-19T08:54:21Z) - Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。
最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。
本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文 参考訳（メタデータ） (2020-11-19T06:03:35Z) - Non-Local Graph Neural Networks [60.28057802327858]
本稿では,GNNに対する効果的な注意誘導ソート機能を備えた,シンプルで効果的な非局所集約フレームワークを提案する。
異種グラフデータセットを分析し,非局所的なGNNを評価するための徹底的な実験を行った。
論文 参考訳（メタデータ） (2020-05-29T14:50:27Z) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳（メタデータ） (2020-02-10T06:43:38Z)
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。