論文の概要: Simplified Graph Convolution with Heterophily

• arxiv url: http://arxiv.org/abs/2202.04139v1
• Date: Tue, 8 Feb 2022 20:52:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-11 05:12:38.824436
• Title: Simplified Graph Convolution with Heterophily
• Title（参考訳）: Heterophilyを用いた簡易グラフ畳み込み
• Authors: Sudhanshu Chanpuriya and Cameron Musco
• Abstract要約: 単純グラフ畳み込み(SGC)は異種グラフ(非同種グラフ)には有効でないことを示す。 本稿では、同好性グラフ構造と異好性グラフ構造の両方に適応できる適応的単純グラフ畳み込み(ASGC)を提案する。
• 参考スコア（独自算出の注目度）: 25.7577503312319
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph convolutional networks (GCNs) (Kipf & Welling, 2017) attempt to extend the success of deep learning in modeling image and text data to graphs. However, like other deep models, GCNs comprise repeated nonlinear transformations of inputs and are therefore time and memory intensive to train. Recent work has shown that a much simpler and faster model, Simple Graph Convolution (SGC) (Wu et al., 2019), is competitive with GCNs in common graph machine learning benchmarks. The use of graph data in SGC implicitly assumes the common but not universal graph characteristic of homophily, wherein nodes link to nodes which are similar. Here we show that SGC is indeed ineffective for heterophilous (i.e., non-homophilous) graphs via experiments on synthetic and real-world datasets. We propose Adaptive Simple Graph Convolution (ASGC), which we show can adapt to both homophilous and heterophilous graph structure. Like SGC, ASGC is not a deep model, and hence is fast, scalable, and interpretable. We find that our non-deep method often outperforms state-of-the-art deep models at node classification on a benchmark of real-world datasets. The SGC paper questioned whether the complexity of graph neural networks is warranted for common graph problems involving homophilous networks; our results suggest that this question is still open even for more complicated problems involving heterophilous networks.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN) (Kipf & Welling, 2017) は、画像とテキストデータをグラフにモデル化する深層学習の成功を拡大しようと試みている。 しかし、他の深層モデルと同様に、gcnsは入力の非線形変換を繰り返すので、トレーニングに時間とメモリが集中する。 最近の研究は、よりシンプルで高速なモデルであるSimple Graph Convolution (SGC) (Wu et al., 2019)が、一般的なグラフ機械学習ベンチマークでGCNと競合していることを示している。 sgcにおけるグラフデータの使用は、ノードが類似するノードにリンクするホモフィリーの共通だが普遍的なグラフ特性を暗黙的に仮定している。 ここでは,合成および実世界のデータセットを用いた実験により,sgcはヘテロフィラスグラフ(すなわち非ホモフィラスグラフ)には効果がないことを示す。 本稿では、同好性グラフと異好性グラフの両方に適応できる適応的単純グラフ畳み込み(ASGC)を提案する。 SGCと同様に、ASGCは深いモデルではなく、高速でスケーラブルで解釈可能である。 実世界のデータセットのベンチマークでは,ノード分類では,非ディープメソッドが最先端のディープモデルを上回ることが多いことが分かりました。 SGC論文は、グラフニューラルネットワークの複雑さが、ホモフィルネットワークを含む一般的なグラフ問題に対して保証されているかどうかを問うものである。

関連論文リスト

• Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
  ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる 本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。 我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
  論文  参考訳（メタデータ） (2024-05-27T17:52:12Z)
• Structure-free Graph Condensation: From Large-scale Graphs to Condensed Graph-free Data [91.27527985415007]
  既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。 我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
  論文  参考訳（メタデータ） (2023-06-05T07:53:52Z)
• 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)
• Beyond Homophily: Reconstructing Structure for Graph-agnostic Clustering [15.764819403555512]
  グラフを好適なGNNモデルが見つかる前に、まずホモ親和性あるいはヘテロ親和性として識別することは不可能である。 本稿では,グラフ再構成,混合フィルタ,二重グラフクラスタリングネットワークという3つの重要な要素を含むグラフクラスタリング手法を提案する。 我々の手法は異種グラフ上で他者を支配している。
  論文  参考訳（メタデータ） (2023-05-03T01:49:01Z)
• GCNH: A Simple Method For Representation Learning On Heterophilous Graphs [4.051099980410583]
  グラフニューラルネットワーク(GNN)は、ホモフィルグラフの学習に適している。 近年,異種グラフの性能向上を目的とした標準GNNアーキテクチャの拡張が提案されている。 ヘテロフィリィ(GCNH)のためのGCNを提案し,ヘテロフィリィシナリオとホモフィリィシナリオの両方に適用できる簡易かつ効果的なGNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-04-21T11:26:24Z)
• Make Heterophily Graphs Better Fit GNN: A Graph Rewiring Approach [43.41163711340362]
  本稿では, ヘテロフィリーグラフリワイアリング(Deep Heterophily Graph Rewiring, DHGR)という手法を提案する。 我々の知る限りでは、ヘテロフィリーグラフに対するグラフ再構成を研究する最初の研究である。
  論文  参考訳（メタデータ） (2022-09-17T06:55:21Z)
• AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph Convolution [79.44066256794187]
  我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。 アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。 理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
  論文  参考訳（メタデータ） (2021-11-12T07:08:13Z)
• 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)
• R-GSN: The Relation-based Graph Similar Network for Heterogeneous Graph [5.2848965435713575]
  本稿では、メタパスを必要としない一般的な異種メッセージパッシングパラダイムを提案し、R-GSNを設計する。 実験により,我々のR-GSNアルゴリズムはogbn-mag大規模不均一グラフデータセット上での最先端の性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-03-14T09:25:36Z)
• Graph Highway Networks [77.38665506495553]
  グラフ畳み込みネットワーク(GCN)は、グラフ表現の有効性と効率性から、グラフ表現の学習に広く利用されている。 彼らは、多くの層が積み重ねられたとき、学習された表現が類似したベクトルに収束するという悪名高い過度に滑らかな問題に悩まされる。 本稿では,GCN学習プロセスにおける均一性と不均一性との間のトレードオフのバランスをとるため,ゲーティングユニットを利用したグラフハイウェイネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-09T16:26:43Z)

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。