論文の概要: ES-GNN: Generalizing Graph Neural Networks Beyond Homophily with Edge
Splitting
- arxiv url: http://arxiv.org/abs/2205.13700v1
- Date: Fri, 27 May 2022 01:29:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-30 14:50:25.994778
- Title: ES-GNN: Generalizing Graph Neural Networks Beyond Homophily with Edge
Splitting
- Title（参考訳）: ES-GNN:エッジ分割によるホモフィリーを越えたグラフニューラルネットワークの一般化
- Authors: Jingwei Guo, Kaizhu Huang, Xinping Yi, and Rui Zhang
- Abstract要約: グラフニューラルネットワーク(GNN)は,グラフデータの解析問題に対処する上で,大きな成功を収めている。
本稿では,GNNをホモフィリーを超えて一般化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。
我々のES-GNNは,不整合な滑らかさを仮定したグラフ記述問題に対する解とみなすことができる。
- 参考スコア（独自算出の注目度）: 31.705632541539046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) have achieved enormous success in tackling
analytical problems on graph data. Most GNNs interpret nearly all the node
connections as inductive bias with feature smoothness, and implicitly assume
strong homophily on the observed graph. However, real-world networks are not
always homophilic, but sometimes exhibit heterophilic patterns where adjacent
nodes share dissimilar attributes and distinct labels. Therefore,GNNs smoothing
the node proximity holistically may aggregate inconsistent information arising
from both task-relevant and irrelevant connections. In this paper, we propose a
novel edge splitting GNN (ES-GNN) framework, which generalizes GNNs beyond
homophily by jointly partitioning network topology and disentangling node
features. Specifically, the proposed framework employs an interpretable
operation to adaptively split the set of edges of the original graph into two
exclusive sets indicating respectively the task-relevant and irrelevant
relations among nodes. The node features are then aggregated separately on
these two partial edge sets to produce disentangled representations, based on
which a more accurate edge splitting can be attained later. Theoretically, we
show that our ES-GNN can be regarded as a solution to a graph denoising problem
with a disentangled smoothness assumption, which further illustrates our
motivations and interprets the improved generalization. Extensive experiments
over 8 benchmark and 1 synthetic datasets demonstrate that ES-GNN not only
outperforms the state-of-the-arts (including 8 GNN baselines), but also can be
more robust to adversarial graphs and alleviate the over-smoothing problem.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は,グラフデータに対する解析的問題に対処することに成功した。
ほとんどのGNNは、ほとんど全てのノード接続を特徴の滑らかさを伴う帰納バイアスとして解釈し、観測されたグラフ上で強いホモフィリを暗黙的に仮定する。
しかし、実世界のネットワークは常にホモ親和性があるわけではないが、隣接ノードが異なる属性と異なるラベルを共有するヘテロ親和性パターンを示すこともある。
したがって、ノード近接を均等に平滑化するGNNは、タスク関連接続と無関係接続の両方から生じる一貫性のない情報を集約することができる。
本稿では,ネットワークトポロジと切り離しノードの特徴を結合的に分割することで,GNNをホモフィリーを超えて一般化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。
具体的には,ノード間のタスク関連および非関連の関係を示す2つの排他的集合に,元のグラフのエッジの集合を適応的に分割するための解釈可能な演算を用いる。
ノードの特徴は、これらの2つの部分エッジ集合に別々に集約され、より正確なエッジ分割を後から得ることができる。
理論的には、我々のES-GNNは、不整合な滑らかさを仮定したグラフ記述問題の解とみなすことができ、さらにモチベーションを示し、改良された一般化を解釈することができる。
8つのベンチマークと1つの合成データセットに対する大規模な実験は、ES-GNNが最先端(GNNベースラインを含む)を上回るだけでなく、敵グラフに対してより堅牢で、過度に滑らかな問題を緩和できることを示した。
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) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - Learning heterophilious edge to drop: A general framework for boosting
graph neural networks [19.004710957882402]
本研究は, グラフ構造を最適化することにより, ヘテロフィリの負の影響を緩和することを目的とする。
LHEと呼ばれる構造学習手法を提案する。
emphLHEによるGNNの性能改善は, ホモフィリレベルの全スペクトルにわたる複数のデータセットで実証された。
論文 参考訳（メタデータ） (2022-05-23T14:07:29Z) - 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 for Graphs with Heterophily: A Survey [98.45621222357397]
異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。
具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。
グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
論文 参考訳（メタデータ） (2022-02-14T23:07:47Z) - 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) - 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) - Beyond Low-Pass Filters: Adaptive Feature Propagation on Graphs [6.018995094882323]
グラフニューラルネットワーク(GNN)は、グラフ上の予測タスクのために広く研究されている。
ほとんどのGNNは、局所的ホモフィリー、すなわち地域住民の強い類似性を仮定している。
基本となるホモフィリーによって制限されることなく、任意のグラフを扱うことができる柔軟なGNNモデルを提案する。
論文 参考訳（メタデータ） (2021-03-26T00:35:36Z) - 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。