論文の概要: Finding Global Homophily in Graph Neural Networks When Meeting Heterophily

• arxiv url: http://arxiv.org/abs/2205.07308v1
• Date: Sun, 15 May 2022 15:24:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-18 05:52:18.356308
• Title: Finding Global Homophily in Graph Neural Networks When Meeting Heterophily
• Title（参考訳）: ヘテロフィリーミーティングにおけるグラフニューラルネットワークのグローバルなホモフィリーの発見
• Authors: Xiang Li, Renyu Zhu, Yao Cheng, Caihua Shan, Siqiang Luo, Dongsheng Li, Weining Qian
• Abstract要約: いくつかの既存手法は、複数のホップ近傍を持つノードの近傍を増幅し、ホモフィリーを持つノードを多く含む。 本稿では,GloGNNとGloGNN++の2つのモデルを提案する。 我々は、広範囲にわたるドメイン、スケール、グラフヘテロフィアの15のベンチマークデータセットにおいて、我々のモデルを他の11の競合相手と比較するための広範な実験を行った。
• 参考スコア（独自算出の注目度）: 27.93157736977356
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate graph neural networks on graphs with heterophily. Some existing methods amplify a node's neighborhood with multi-hop neighbors to include more nodes with homophily. However, it is a significant challenge to set personalized neighborhood sizes for different nodes. Further, for other homophilous nodes excluded in the neighborhood, they are ignored for information aggregation. To address these problems, we propose two models GloGNN and GloGNN++, which generate a node's embedding by aggregating information from global nodes in the graph. In each layer, both models learn a coefficient matrix to capture the correlations between nodes, based on which neighborhood aggregation is performed. The coefficient matrix allows signed values and is derived from an optimization problem that has a closed-form solution. We further accelerate neighborhood aggregation and derive a linear time complexity. We theoretically explain the models' effectiveness by proving that both the coefficient matrix and the generated node embedding matrix have the desired grouping effect. We conduct extensive experiments to compare our models against 11 other competitors on 15 benchmark datasets in a wide range of domains, scales and graph heterophilies. Experimental results show that our methods achieve superior performance and are also very efficient.
• Abstract（参考訳）: ヘテロフィリーグラフ上のグラフニューラルネットワークについて検討する。 いくつかの既存手法は、複数のホップ近傍を持つノードの近傍を増幅し、ホモフィリーを持つノードを多く含む。 しかしながら、異なるノードに対してパーソナライズされた近傍サイズを設定することは大きな課題である。 さらに、近隣で除外された他のホモフレンドリーノードに対しては、情報集約は無視される。 これらの問題に対処するために,グラフのグローバルノードから情報を集約することでノードの埋め込みを生成するglognnとglognn++の2つのモデルを提案する。 各層において、両方のモデルが係数行列を学習し、どの近傍アグリゲーションが実行されるかに基づいてノード間の相関を捉える。 係数行列は符号付き値を許容し、閉形式解を持つ最適化問題から導出される。 さらに近隣の集約を加速し、線形時間複雑性を導出する。 係数行列と生成ノード埋め込み行列の両方が所望のグルーピング効果を持つことを証明し,モデルの有効性を理論的に説明する。 私たちは、幅広いドメイン、スケール、グラフヘテロフィアの15のベンチマークデータセットで、11の他の競合とモデルを比較するために、広範な実験を行いました。 実験の結果, 提案手法は優れた性能を得られ, 効率も高いことがわかった。

関連論文リスト

• DuoGNN: Topology-aware Graph Neural Network with Homophily and Heterophily Interaction-Decoupling [0.0]
  グラフニューラルネットワーク(GNN)は、自動疾患診断など、様々な医療画像の応用に有効であることが証明されている。 それらは本質的に2つの基本的な制限に悩まされる: まず、不明瞭なノードの埋め込みは、ヘテロ親和性ノードの集約に起因する。 我々は、トポロジを利用してホモ親和性およびヘテロ親和性のあるエッジを分離するスケーラブルで一般化可能なアーキテクチャであるDuoGNNを提案する。
  論文  参考訳（メタデータ） (2024-09-29T09:01:22Z)
• Joint Graph Rewiring and Feature Denoising via Spectral Resonance [10.850726111343063]
  グラフ学習では、グラフとノードの特徴の両方が、ノードラベルに関するノイズの多い情報を含んでいる。 本稿では,下流ノード分類の性能を向上させるJDR(Joint Denoising and Rewiring)を提案する。
  論文  参考訳（メタデータ） (2024-08-13T20:16:11Z)
• The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
  ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。 観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。 さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-06-18T12:16:00Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• 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)
• 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)
• 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)
• GBK-GNN: Gated Bi-Kernel Graph Neural Networks for Modeling Both Homophily and Heterophily [24.742449127169586]
  グラフニューラルネットワーク(GNN)は、さまざまなグラフベースの機械学習タスクで広く使用されている。 ノードレベルのタスクでは、GNNはグラフのホモフィリーな性質をモデル化する強力な力を持つ。 両カーネルの特徴変換と選択ゲートに基づく新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-29T13:44:09Z)
• 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)
• Towards Deeper Graph Neural Networks with Differentiable Group Normalization [61.20639338417576]
  グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。 オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。 2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
  論文  参考訳（メタデータ） (2020-06-12T07:18:02Z)

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。