論文の概要: Incorporating Heterophily into Graph Neural Networks for Graph
Classification
- arxiv url: http://arxiv.org/abs/2203.07678v1
- Date: Tue, 15 Mar 2022 06:48:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-16 16:20:54.098092
- Title: Incorporating Heterophily into Graph Neural Networks for Graph
Classification
- Title(参考訳): グラフ分類のためのグラフニューラルネットワークへのヘテロフィリ
- Authors: Wei Ye, Jiayi Yang, Sourav Medya, Ambuj Singh
- Abstract要約: グラフニューラルネットワーク(GNN)は、しばしばグラフにおいて強いホモフィリを仮定する。
実世界のシナリオでは、グラフはホモフィリーとヘテロフィリーの両方を示すノードを持つ。
We developed a novel GNN architecture called IHGNN (Incorporated Heterophily into Graph Neural Networks)
- 参考スコア(独自算出の注目度): 4.179520884625341
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Graph neural networks (GNNs) often assume strong homophily in graphs, seldom
considering heterophily which means connected nodes tend to have different
class labels and dissimilar features. In real-world scenarios, graphs may have
nodes that exhibit both homophily and heterophily. Failing to generalize to
this setting makes many GNNs underperform in graph classification. In this
paper, we address this limitation by identifying two useful designs and develop
a novel GNN architecture called IHGNN (Incorporating Heterophily into Graph
Neural Networks). These designs include integration and separation of the ego-
and neighbor-embeddings of nodes; and concatenation of all the node embeddings
as the final graph-level readout function. In the first design, integration is
combined with separation by an injective function which is the composition of
the MLP and the concatenation function. The second design enables the
graph-level readout function to differentiate between different node
embeddings. As the functions used in both the designs are injective, IHGNN,
while being simple, has an expressiveness as powerful as the 1-WL. We
empirically validate IHGNN on various graph datasets and demonstrate that it
achieves state-of-the-art performance on the graph classification task.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)は、しばしばグラフにおいて強いホモフィリを仮定するが、連結ノードは異なるクラスラベルと異なる特徴を持つ傾向にある。
実世界のシナリオでは、グラフはホモフィリーとヘテロフィリーの両方を示すノードを持つ。
この設定を一般化することができないため、グラフ分類では多くのGNNが不十分である。
本稿では、2つの有用な設計を識別し、IHGNN (Incorporated Heterophily into Graph Neural Networks) と呼ばれる新しいGNNアーキテクチャを開発することにより、この制限に対処する。
これらの設計には、ノードのエゴおよび隣接する埋め込みの統合と分離、すべてのノード埋め込みを最終グラフレベルの読み出し関数として結合することが含まれる。
最初の設計では、統合はMLPと連結関数の合成である射影関数によって分離される。
2つ目の設計により、グラフレベルの読み出し関数は異なるノード埋め込みを区別できる。
両方の設計で使われる関数は射出的であるため、IHGNNは単純ではあるが1-WLほど強力である。
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、グラフ分類タスクにおける最先端性能を実現することを実証する。
関連論文リスト
- Uplifting the Expressive Power of Graph Neural Networks through Graph
Partitioning [3.236774847052122]
グラフ分割のレンズによるグラフニューラルネットワークの表現力について検討する。
我々は新しいGNNアーキテクチャ、すなわちグラフ分割ニューラルネットワーク(GPNN)を導入する。
論文 参考訳(メタデータ) (2023-12-14T06:08:35Z) - Self-attention Dual Embedding for Graphs with Heterophily [6.803108335002346]
多くの実世界のグラフはヘテロ親和性があり、標準のGNNを用いた分類精度ははるかに低い。
ヘテロ親和性グラフとホモ親和性グラフの両方に有効である新しいGNNを設計する。
我々は,数千から数百万のノードを含む実世界のグラフ上でアルゴリズムを評価し,最先端の結果が得られたことを示す。
論文 参考訳(メタデータ) (2023-05-28T09:38:28Z) - 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) - Break the Wall Between Homophily and Heterophily for Graph
Representation Learning [25.445073413243925]
ホモフィリーとヘテロフィリーは、2つの連結ノードが同様の性質を持つかどうかを記述するグラフの固有の性質である。
本研究は, グラフ表現学習に不可欠なエゴノード特徴, 集約ノード特徴, グラフ構造特徴を含む3つのグラフ特徴を同定する。
OGNNと呼ばれる新しいGNNモデルを提案し、3つのグラフの特徴を全て抽出し、それらを適応的に融合させ、ホモフィリーのスペクトル全体にわたって一般化する。
論文 参考訳(メタデータ) (2022-10-08T19:37:03Z) - A Topological characterisation of Weisfeiler-Leman equivalence classes [0.0]
グラフニューラルネットワーク(GNN)は、グラフと信号をグラフ上で処理することを目的とした学習モデルである。
本稿では、GNNが区別できないグラフのクラスを完全に特徴づけるために、被覆空間の理論に依存する。
データセット内の識別不能グラフの数は,ノード数とともに指数関数的に増加することを示す。
論文 参考訳(メタデータ) (2022-06-23T17:28:55Z) - ES-GNN: Generalizing Graph Neural Networks Beyond Homophily with Edge
Splitting [32.69196871253339]
本稿では,グラフエッジを適応的に識別する新しいエッジ分割GNN(ES-GNN)フレームワークを提案する。
これは本質的に、元のグラフを同じノードセットを持つ2つの部分グラフに変換するが、排他的なエッジセットである。
本稿では,ES-GNNを非交叉グラフ記述問題の解とみなすことができることを示す。
論文 参考訳(メタデータ) (2022-05-27T01:29:03Z) - Graph Neural Networks with Learnable Structural and Positional
Representations [83.24058411666483]
任意のグラフの大きな問題は、ノードの標準位置情報の欠如である。
ノードの位置ノード(PE)を導入し、Transformerのように入力層に注入する。
両方のGNNクラスで学習可能なPEを考えると、分子データセットのパフォーマンスは2.87%から64.14%に向上する。
論文 参考訳(メタデータ) (2021-10-15T05:59:15Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳(メタデータ) (2021-07-27T19:47:53Z) - Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。
HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。
ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
論文 参考訳(メタデータ) (2021-04-16T04:56:38Z) - Factorizable Graph Convolutional Networks [90.59836684458905]
本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。
FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。
提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
論文 参考訳(メタデータ) (2020-10-12T03:01:40Z) - Distance Encoding: Design Provably More Powerful Neural Networks for
Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。
GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。
より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。
本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文 参考訳(メタデータ) (2020-08-31T23:15:40Z)
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。