論文の概要: Neighborhood Homophily-Guided Graph Convolutional Network
- arxiv url: http://arxiv.org/abs/2301.09851v1
- Date: Tue, 24 Jan 2023 07:56:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 14:21:38.901386
- Title: Neighborhood Homophily-Guided Graph Convolutional Network
- Title（参考訳）: 近傍のホモフィリガイドグラフ畳み込みネットワーク
- Authors: Shengbo Gong, Jiajun Zhou, Chenxuan Xie, Qi Xuan
- Abstract要約: グラフニューラルネットワーク(GNN)は,グラフ指向タスクにおいて顕著な進歩を遂げている。
多くの実世界のグラフはヘテロフィリーあるいは低ホモフィリーを含み、古典的なGNNのホモフィリーな仮定に挑戦する。
本稿ではまず,ノード近傍のラベルの複雑さや純度を測定するために,Neighborhood Homophily(textitNH)という新しいメトリクスを設計する。
- 参考スコア（独自算出の注目度）: 3.0510388667378803
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks (GNNs) have achieved remarkable advances in
graph-oriented tasks. However, many real-world graphs contain heterophily or
low homophily, challenging the homophily assumption of classical GNNs and
resulting in low performance. Although many studies have emerged to improve the
universality of GNNs, they rarely consider the label reuse and the correlation
of their proposed metrics and models. In this paper, we first design a new
metric, named Neighborhood Homophily (\textit{NH}), to measure the label
complexity or purity in the neighborhood of nodes. Furthermore, we incorporate
this metric into the classical graph convolutional network (GCN) architecture
and propose \textbf{N}eighborhood \textbf{H}omophily-\textbf{G}uided
\textbf{G}raph \textbf{C}onvolutional \textbf{N}etwork (\textbf{NHGCN}). In
this framework, nodes are grouped by estimated \textit{NH} values to achieve
intra-group weight sharing during message propagation and aggregation. Then the
generated node predictions are used to estimate and update new \textit{NH}
values. The two processes of metric estimation and model inference are
alternately optimized to achieve better node classification. Extensive
experiments on both homophilous and heterophilous benchmarks demonstrate that
\textbf{NHGCN} achieves state-of-the-art overall performance on semi-supervised
node classification for the universality problem.
- Abstract（参考訳）: グラフニューラルネットワーク(gnns)は、グラフ指向タスクにおいて著しく進歩した。
しかし、多くの実世界のグラフはヘテロフィリーあるいはローホモフィリーを含み、古典的なGNNのホモフィリーな仮定に挑戦し、結果として性能が低下する。
GNNの普遍性を改善するために多くの研究がなされているが、ラベルの再利用と提案されたメトリクスとモデルの相関を考えることはめったにない。
本稿ではまず,ノード近傍におけるラベルの複雑さや純度を測定するために,Neighborhood Homophily(\textit{NH})という新しい指標を設計する。
さらに、この計量を古典的グラフ畳み込みネットワーク(GCN)アーキテクチャに組み入れて、その近傍に \textbf{H}omophily-\textbf{G}uided \textbf{G}raph \textbf{C}onvolutional \textbf{N}etwork (\textbf{NHGCN})を提案する。
このフレームワークでは、ノードは推定された \textit{nh} 値でグループ化され、メッセージの伝搬と集約の間、グループ内の重み共有を実現する。
次に生成されたノード予測を使用して、新しい \textit{nh}値を推定および更新する。
メトリック推定とモデル推論の2つのプロセスは、よりよいノード分類を達成するために交互に最適化される。
ホモ親和性およびヘテロ親和性ベンチマークの広範な実験は、普遍性問題に対する半教師付きノード分類における最先端の全体的な性能を達成することを示した。
関連論文リスト
- Revisiting Heterophily For Graph Neural Networks [42.41238892727136]
グラフニューラルネットワーク(GNN)は、関係帰納バイアスに基づくグラフ構造を用いて基本ニューラルネットワーク(NN)を拡張する(ホモフィリー仮定)
最近の研究は、NNと比較してパフォーマンスが不十分な、非自明なデータセットのセットを特定している。
論文 参考訳（メタデータ） (2022-10-14T08:00:26Z) - ResNorm: Tackling Long-tailed Degree Distribution Issue in Graph Neural
Networks via Normalization [84.19438212912559]
本稿では,正規化によるGNNの性能向上に焦点をあてる。
グラフ中のノード次数の長期分布を調べることにより、GNNの新しい正規化法を提案する。
ResNormの$scale$操作は、尾ノードの精度を向上させるために、ノード単位の標準偏差(NStd)分布を再設定する。
論文 参考訳（メタデータ） (2022-06-16T13:49:09Z) - Simplifying Node Classification on Heterophilous Graphs with Compatible
Label Propagation [6.071760028190454]
本稿では,グラフに対する半教師付きノード分類において,グラフアルゴリズムのラベル伝搬と浅いニューラルネットワークを組み合わせることで,GNNに匹敵する性能が得られることを示す。
本稿では,ノードが反対クラスのノードに接続されることの多い低ホモフィリーグラフ上では,このアプローチが不十分であることを示す。
アルゴリズムはまずクラス互換行列を学習し、次にクラス適合性によって重み付けされたLPアルゴリズムを用いてラベル予測を集約する。
論文 参考訳（メタデータ） (2022-05-19T08:34:34Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [40.045308716159205]
グラフニューラルネットワーク(GNN)のヘテロフィリ問題を再検討し、クラス間隣人の特徴集約について検討する。
異種データセット上でのGNNの性能向上を図るために,Conv-Agnostic GNNs framework (CAGNNs)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 [122.9390687820385]
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。
我々は、頑健で公正な評価を容易にするために、主流のヘテロ親和性グラフベンチマークを要約する。
論文 参考訳（メタデータ） (2022-02-14T23:07:47Z) - A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z) - Graph Neural Networks with Feature and Structure Aware Random Walk [5.431036185361236]
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) - VQ-GNN: A Universal Framework to Scale up Graph Neural Networks using
Vector Quantization [70.8567058758375]
VQ-GNNは、Vector Quantization(VQ)を使用して、パフォーマンスを損なうことなく、畳み込みベースのGNNをスケールアップするための普遍的なフレームワークである。
我々のフレームワークは,グラフ畳み込み行列の低ランク版と組み合わせた量子化表現を用いて,GNNの「隣の爆発」問題を回避する。
論文 参考訳（メタデータ） (2021-10-27T11:48:50Z) - On Local Aggregation in Heterophilic Graphs [11.100606980915144]
我々は,従来のGNNと多層パーセプトロンを適切に調整した手法が,ヘテロ親和性グラフ上の最近の長距離アグリゲーション手法の精度に適合しているか,あるいは超越しているかを示す。
本稿では,新しい情報理論グラフ計量であるNativeborhood Information Content(NIC)メトリックを提案する。
論文 参考訳（メタデータ） (2021-06-06T19:12:31Z) - 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) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳（メタデータ） (2020-02-10T06:43:38Z)
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。