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
- Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。
FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。
ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2023-12-19T18:00:15Z) - 2-hop Neighbor Class Similarity (2NCS): A graph structural metric
indicative of graph neural network performance [4.051099980410583]
グラフニューラルネットワーク(GNN)は、多数のドメインにわたるグラフ構造化データに対して最先端のパフォーマンスを実現する。
異なるタイプのノードが接続されるヘテロ親和性グラフでは、GNNは一貫して機能しない。
2-hop Neighbor Class similarity (2NCS) は、GNNのパフォーマンスと、他の指標よりも強く、一貫して相関する新しい定量的グラフ構造特性である。
論文 参考訳（メタデータ） (2022-12-26T16:16:51Z) - 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) - 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) - RAW-GNN: RAndom Walk Aggregation based Graph Neural Network [48.139599737263445]
本稿では,新しいアグリゲーション機構を導入し,RAndom Walk Aggregation-based Graph Neural Network(RAW-GNN)法を提案する。
提案手法は,広義のランダムウォークサーチを用いて,ホモフィリー情報と深さ優先の探索を行い,ヘテロフィリー情報を収集する。
従来の地区をパスベースの地区に置き換え、リカレントニューラルネットワークに基づく新しい経路ベースのアグリゲータを導入する。
論文 参考訳（メタデータ） (2022-06-28T12:19:01Z) - 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) - 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) - 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) - 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。