論文の概要: Powerful Graph Convolutioal Networks with Adaptive Propagation Mechanism
for Homophily and Heterophily
- arxiv url: http://arxiv.org/abs/2112.13562v1
- Date: Mon, 27 Dec 2021 08:19:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-28 16:25:27.774984
- Title: Powerful Graph Convolutioal Networks with Adaptive Propagation Mechanism
for Homophily and Heterophily
- Title(参考訳): ホモフィリーとヘテロフィリーの適応的伝播機構を持つ強力なグラフコンボリューティアルネットワーク
- Authors: Tao Wang and Rui Wang and Di Jin and Dongxiao He and Yuxiao Huang
- Abstract要約: グラフ畳み込みネットワーク(GCN)は、グラフ構造化データ処理において大きな影響力を持つため、様々な分野に広く応用されている。
既存の方法は、主に高次近傍を集約したり、即時表現を結合することでヘテロフィリーを扱う。
本稿では, ホモフィリーやヘテロフィリーに応じて自動的に伝播・凝集過程を変更できる新しい伝播機構を提案する。
- 参考スコア(独自算出の注目度): 38.50800951799888
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Convolutional Networks (GCNs) have been widely applied in various
fields due to their significant power on processing graph-structured data.
Typical GCN and its variants work under a homophily assumption (i.e., nodes
with same class are prone to connect to each other), while ignoring the
heterophily which exists in many real-world networks (i.e., nodes with
different classes tend to form edges). Existing methods deal with heterophily
by mainly aggregating higher-order neighborhoods or combing the immediate
representations, which leads to noise and irrelevant information in the result.
But these methods did not change the propagation mechanism which works under
homophily assumption (that is a fundamental part of GCNs). This makes it
difficult to distinguish the representation of nodes from different classes. To
address this problem, in this paper we design a novel propagation mechanism,
which can automatically change the propagation and aggregation process
according to homophily or heterophily between node pairs. To adaptively learn
the propagation process, we introduce two measurements of homophily degree
between node pairs, which is learned based on topological and attribute
information, respectively. Then we incorporate the learnable homophily degree
into the graph convolution framework, which is trained in an end-to-end schema,
enabling it to go beyond the assumption of homophily. More importantly, we
theoretically prove that our model can constrain the similarity of
representations between nodes according to their homophily degree. Experiments
on seven real-world datasets demonstrate that this new approach outperforms the
state-of-the-art methods under heterophily or low homophily, and gains
competitive performance under homophily.
- Abstract(参考訳): グラフ畳み込みネットワーク(GCN)は、グラフ構造化データ処理において大きな影響力を持つため、様々な分野に広く応用されている。
典型的なGCNとその変種はホモフィリーな仮定の下で作用する(すなわち、同じクラスを持つノードは互いに接続する傾向がある)一方で、多くの現実世界のネットワークに存在するヘテロフィリーを無視している(すなわち、異なるクラスを持つノードはエッジを形成する傾向がある)。
既存の手法では、主に高階の近傍を集約したり、直接表現を混ぜたりすることでヘテロフィリを扱う。
しかし、これらの手法は、ホモフィリーな仮定の下で機能する伝播機構(GCNの基本的な部分)を変えなかった。
これにより、異なるクラスからノードの表現を区別することが困難になる。
この問題に対処するために,ノード間のホモフィリーやヘテロフィリーに応じて自動的に伝搬と凝集の過程を変更できる新しい伝搬機構を設計する。
伝搬過程を適応的に学習するために,位相情報と属性情報に基づいて学習したノードペア間のホモフィリディエンスの測定を2つ導入する。
次に、学習可能なホモフィリ次数をグラフ畳み込みフレームワークに組み込み、エンドツーエンドのスキーマでトレーニングし、ホモフィリの仮定を超えることができるようにする。
さらに重要なことは、我々のモデルは、そのホモフィリー次数に応じてノード間の表現の類似性を制限できることを理論的に証明する。
7つの実世界のデータセットの実験により、この新しいアプローチはヘテロフィリーまたは低ホモフィリーの下で最先端の手法よりも優れ、ホモフィリーの下での競争性能が向上することを示した。
関連論文リスト
- Leveraging Invariant Principle for Heterophilic Graph Structure Distribution Shifts [42.77503881972965]
Heterophilic Graph Neural Networks (HGNN) は、グラフ上の半教師付き学習タスクに対して有望な結果を示している。
この構造差や分布シフトを扱うために、異種グラフ上の不変ノード表現を学習する方法は、まだ解明されていない。
異種情報を組み込んだ不変ノード表現を生成可能なフレームワークである textbfHEI を提案する。
論文 参考訳(メタデータ) (2024-08-18T14:10:34Z) - Heterophilous Distribution Propagation for Graph Neural Networks [23.897535976924722]
グラフニューラルネットワークのための異種分布伝播(HDP)を提案する。
すべての近隣から情報を集約する代わりに、HDPは隣人をホモ親和性および不テロ親和性の部分に適応的に分離する。
我々は、異なるレベルのホモフィリーを持つ9つのベンチマークデータセットに対して広範な実験を行う。
論文 参考訳(メタデータ) (2024-05-31T06:40:56Z) - 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) - Demystifying Structural Disparity in Graph Neural Networks: Can One Size
Fit All? [61.35457647107439]
ほとんどの実世界のホモフィルグラフとヘテロフィルグラフは、ホモフィルグラフとヘテロフィルグラフの両方の構造パターンの混合ノードから構成される。
ノード分類におけるグラフニューラルネットワーク (GNN) は, 一般にホモ親和性ノード上で良好に機能することを示す。
次に、GNNに対する厳密で非I.d PAC-Bayesian一般化を提案し、性能格差の理由を明らかにした。
論文 参考訳(メタデータ) (2023-06-02T07:46:20Z) - 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) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳(メタデータ) (2022-04-30T12:57:02Z) - Block Modeling-Guided Graph Convolutional Neural Networks [17.39859951491802]
グラフ畳み込みネットワーク(GCN)はグラフ表現を探索する著しい可能性を示している。
GCNのフレームワークにブロックモデリングを導入し、"ブロック誘導型分類アグリゲーション"を実現する。
GCNは、そのホモフィリー次数に応じて、同好および異好の隣人からの情報を識別的に収集することができる。
論文 参考訳(メタデータ) (2021-12-27T04:52:11Z) - 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) - Graph Neural Networks with Heterophily [40.23690407583509]
我々は、ホモフィリーなグラフとヘテロフィリーなグラフのGNNを一般化するCPGNNと呼ばれる新しいフレームワークを提案する。
フレームワークの互換性行列を(純粋なホモフィリーを表す)同一性に置き換えると、GCNに還元されることを示す。
論文 参考訳(メタデータ) (2020-09-28T18:29:36Z)
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。