論文の概要: Make Heterophily Graphs Better Fit GNN: A Graph Rewiring Approach
- arxiv url: http://arxiv.org/abs/2209.08264v1
- Date: Sat, 17 Sep 2022 06:55:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 16:25:45.074553
- Title: Make Heterophily Graphs Better Fit GNN: A Graph Rewiring Approach
- Title（参考訳）: ヘテロフィアグラフを改良したGNN - グラフリウィリングアプローチ
- Authors: Wendong Bi, Lun Du, Qiang Fu, Yanlin Wang, Shi Han, Dongmei Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 43.41163711340362
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) are popular machine learning methods for
modeling graph data. A lot of GNNs perform well on homophily graphs while
having unsatisfactory performance on heterophily graphs. Recently, some
researchers turn their attention to designing GNNs for heterophily graphs by
adjusting the message passing mechanism or enlarging the receptive field of the
message passing. Different from existing works that mitigate the issues of
heterophily from model design perspective, we propose to study heterophily
graphs from an orthogonal perspective by rewiring the graph structure to reduce
heterophily and making the traditional GNNs perform better. Through
comprehensive empirical studies and analysis, we verify the potential of the
rewiring methods. To fully exploit its potential, we propose a method named
Deep Heterophily Graph Rewiring (DHGR) to rewire graphs by adding homophilic
edges and pruning heterophilic edges. The detailed way of rewiring is
determined by comparing the similarity of label/feature-distribution of node
neighbors. Besides, we design a scalable implementation for DHGR to guarantee
high efficiency. DHRG can be easily used as a plug-in module, i.e., a graph
pre-processing step, for any GNNs, including both GNN for homophily and
heterophily, to boost their performance on the node classification task. To the
best of our knowledge, it is the first work studying graph rewiring for
heterophily graphs. Extensive experiments on 11 public graph datasets
demonstrate the superiority of our proposed methods.
- Abstract（参考訳）: グラフニューラルネットワーク(gnns)は、グラフデータをモデリングするための一般的な機械学習手法である。
多くのGNNはホモフィリーグラフでは良好に機能し、ヘテロフィリーグラフでは不満足な性能を持つ。
近年、メッセージパッシング機構を調整したり、メッセージパッシングの受容場を拡大することで、異種グラフのためのGNNの設計に注意を向ける研究者もいる。
モデル設計の観点からヘテロフィリーの問題を緩和する既存の研究とは違って,グラフ構造を変えてヘテロフィリーを低減し,従来のGNNの性能を向上させることによって,直交的な視点からヘテロフィリーグラフを研究することを提案する。
総合的な実証研究と分析を通じて,本手法の可能性を検証する。
その可能性を完全に活用するために,同種エッジの追加と異種エッジの刈取によりグラフをリワイヤするDeep Heterophily Graph Rewiring (DHGR) という手法を提案する。
ノード近傍のラベル/フィーチャー・ディストリビューションの類似性を比較することにより、詳細な再配線方法を決定する。
さらに,DHGRの高効率性を保証するスケーラブルな実装を設計する。
DHRGはプラグインモジュール、すなわちグラフ前処理ステップとして、GNNをホモフィリーとヘテロフィリーの両方に含む任意のGNNに対して容易に使用でき、ノード分類タスクのパフォーマンスを高めることができる。
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。
11の公開グラフデータセットに対する大規模な実験により,提案手法の優位性を実証した。
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) - GRAPES: Learning to Sample Graphs for Scalable Graph Neural Networks [2.4175455407547015]
グラフニューラルネットワークは、隣人からの情報を集約することでノードを表現することを学ぶ。
いくつかの既存手法では、ノードの小さなサブセットをサンプリングし、GNNをもっと大きなグラフにスケールすることで、この問題に対処している。
本稿では,GNNのトレーニングに不可欠なノードの集合を識別する適応サンプリング手法であるGRAPESを紹介する。
論文 参考訳（メタデータ） (2023-10-05T09:08:47Z) - 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) - 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) - 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 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) - 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) - Meta-path Free Semi-supervised Learning for Heterogeneous Networks [16.641434334366227]
グラフニューラルネットワーク(GNN)はグラフの表現学習に広く使われており、ノード分類などのタスクにおいて優れたパフォーマンスを実現している。
本稿では,メタパスを除く異種グラフに対して,単純かつ効率的なグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2020-10-18T06:01:58Z)
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。