論文の概要: Characterizing Graph Datasets for Node Classification: Homophily-Heterophily Dichotomy and Beyond

• arxiv url: http://arxiv.org/abs/2209.06177v4
• Date: Sat, 2 Mar 2024 22:01:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 21:23:16.745263
• Title: Characterizing Graph Datasets for Node Classification: Homophily-Heterophily Dichotomy and Beyond
• Title（参考訳）: ノード分類のためのグラフデータセットのキャラクタリゼーション:ホモフィリー・ヘテロフィックな二分法とそれ以降
• Authors: Oleg Platonov, Denis Kuznedelev, Artem Babenko, Liudmila Prokhorenkova
• Abstract要約: ホモフィリー(英: Homophily)は、類似したノードを接続するエッジの傾向を記述するグラフ特性である。 文学において、ホモフィリーの普遍的に合意された尺度は存在しない。 一般的に使用されるホモフィリー測度は、異なるデータセット間でのホモフィリーレベルの比較を防止するために、重大な欠点があることが示される。
• 参考スコア（独自算出の注目度）: 39.934248359022625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Homophily is a graph property describing the tendency of edges to connect similar nodes; the opposite is called heterophily. It is often believed that heterophilous graphs are challenging for standard message-passing graph neural networks (GNNs), and much effort has been put into developing efficient methods for this setting. However, there is no universally agreed-upon measure of homophily in the literature. In this work, we show that commonly used homophily measures have critical drawbacks preventing the comparison of homophily levels across different datasets. For this, we formalize desirable properties for a proper homophily measure and verify which measures satisfy which properties. In particular, we show that a measure that we call adjusted homophily satisfies more desirable properties than other popular homophily measures while being rarely used in graph machine learning literature. Then, we go beyond the homophily-heterophily dichotomy and propose a new characteristic that allows one to further distinguish different sorts of heterophily. The proposed label informativeness (LI) characterizes how much information a neighbor's label provides about a node's label. We prove that this measure satisfies important desirable properties. We also observe empirically that LI better agrees with GNN performance compared to homophily measures, which confirms that it is a useful characteristic of the graph structure.
• Abstract（参考訳）: ホモフィリー(英: Homophily)は、類似したノードを接続するエッジの傾向を記述するグラフ特性である。 異種グラフは標準的なメッセージパスグラフニューラルネットワーク(GNN)では困難であると考えられており、この設定のための効率的な手法の開発に多くの努力が払われている。 しかし、文献には相同性に関する普遍的に合意された尺度は存在しない。 本研究では, 一般に用いられるホモフィリ測度が, 異なるデータセット間でのホモフィリレベルの比較を阻害する重要な欠点を持つことを示す。 このために、適切なホモフィリ測度の望ましい性質を定式化し、どの測度がどの性質を満たすかを検証する。 特に,調整ホモフィアと呼ばれる尺度は他の一般的なホモフィア指標よりも望ましい性質を満たすが,グラフ機械学習の文献では滅多に用いられないことを示す。 そして、ホモフィリーヘテロフィリー二分法を超えて、異なるヘテロフィリーを更に区別できる新しい特徴を提案する。 提案するラベル情報度(li)は、隣人のラベルがノードのラベルについてどれだけの情報を提供するかを示す。 この尺度が重要な望ましい性質を満たすことを証明します。 また,li が gnn の性能とホモフィイ測度によく一致することを実証的に観察し,グラフ構造の特徴として有用であることを確認した。

関連論文リスト

• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。 最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• What Is Missing In Homophily? Disentangling Graph Homophily For Graph Neural Networks [3.1227658238819855]
  グラフホモフィリー(Graph homophily)は、連結ノードが同様の特性を共有する傾向にある現象を指す。 エッジやノードのホモフィリーのような最も広く使われているホモフィリー計量は、そのような「類似性」を定量化する。 グラフニューラルネットワーク(GNN)のホモフィリな影響はいまだに不明で議論の余地がある。
  論文  参考訳（メタデータ） (2024-06-27T02:48:33Z)
• 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)
• Provable Filter for Real-world Graph Clustering [11.7278692671308]
  実用的なグラフを扱うための原則的な方法が緊急に必要である。 我々は、それぞれ高度にホモ親和性とヘテロ親和性を持つ2つのグラフを構築する。 我々は、ホモフィルグラフとヘテロフィルグラフの両方に関する広範な実験を通して、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2024-03-06T12:37:49Z)
• Finding the Missing-half: Graph Complementary Learning for Homophily-prone and Heterophily-prone Graphs [48.79929516665371]
  ホモフィリーなエッジを持つグラフは、同じクラスでノードを接続する傾向がある。 ヘテロフィ的傾向のあるエッジは、異なるクラスを持つノード間の関係を構築する傾向がある。 既存のGNNはトレーニング中にオリジナルのグラフのみを取る。
  論文  参考訳（メタデータ） (2023-06-13T08:06:10Z)
• 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)
• Label-Wise Message Passing Graph Neural Network on Heterophilic Graphs [20.470934944907608]
  ホモフィリーあるいはヘテロフィリーなグラフでよく機能する新しいフレームワークについて検討する。 ラベルに関するメッセージパッシングでは、類似の擬似ラベルを持つ隣人が集約される。 また、ホモフィリー・ヘテロフィリーなグラフのモデルを自動的に選択するバイレベル最適化法を提案する。
  論文  参考訳（メタデータ） (2021-10-15T14:49:45Z)
• 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)
• New Benchmarks for Learning on Non-Homophilous Graphs [20.082182515715182]
  ホモフィリー原理を満たさないノードラベル関係を持つ改良されたグラフデータセットを多数提示する。 我々はまた、異なる体制における既存の措置よりも適しているホモフィリーの存在または不在の新しい尺度を紹介します。
  論文  参考訳（メタデータ） (2021-04-03T13:45:06Z)

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。