論文の概要: Homophily-oriented Heterogeneous Graph Rewiring
- arxiv url: http://arxiv.org/abs/2302.06299v1
- Date: Mon, 13 Feb 2023 11:56:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 15:50:03.253084
- Title: Homophily-oriented Heterogeneous Graph Rewiring
- Title(参考訳): ホモフィリ指向不均一グラフリワイリング
- Authors: Jiayan Guo and Lun Du and Wendong Bi and Qiang Fu and Xiaojun Ma and
Xu Chen and Shi Han and Dongmei Zhang and Yan Zhang
- Abstract要約: ヘテロジニアスグラフニューラルネットワーク(HGNN)は、ヘテロジニアスグラフの学習において大きな可能性を示している。
HGのホモフィリ次数を測定するメタパス誘導計量を提案する。
我々は,HGNNの性能向上のためにHG構造を変化させる,ホモフィリー指向の深部ヘテロジニアスグラフ再構成手法であるHDHGRを提案する。
- 参考スコア(独自算出の注目度): 43.86733627029748
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid development of the World Wide Web (WWW), heterogeneous graphs
(HG) have explosive growth. Recently, heterogeneous graph neural network (HGNN)
has shown great potential in learning on HG. Current studies of HGNN mainly
focus on some HGs with strong homophily properties (nodes connected by
meta-path tend to have the same labels), while few discussions are made in
those that are less homophilous. Recently, there have been many works on
homogeneous graphs with heterophily. However, due to heterogeneity, it is
non-trivial to extend their approach to deal with HGs with heterophily. In this
work, based on empirical observations, we propose a meta-path-induced metric to
measure the homophily degree of a HG. We also find that current HGNNs may have
degenerated performance when handling HGs with less homophilous properties.
Thus it is essential to increase the generalization ability of HGNNs on
non-homophilous HGs. To this end, we propose HDHGR, a homophily-oriented deep
heterogeneous graph rewiring approach that modifies the HG structure to
increase the performance of HGNN. We theoretically verify HDHGR. In addition,
experiments on real-world HGs demonstrate the effectiveness of HDHGR, which
brings at most more than 10% relative gain.
- Abstract(参考訳): ワールドワイドウェブ(WWW)の急速な発展に伴い、ヘテロジニアスグラフ(HG)は爆発的な成長を遂げた。
近年、ヘテロジニアスグラフニューラルネットワーク(HGNN)は、HGで学習する大きな可能性を示している。
HGNNの現在の研究は、主に強いホモフィリー特性を持ついくつかのHG(メタパスで連結されたノードは同じラベルを持つ傾向がある)に焦点を当てている。
最近、不均質グラフに関する多くの研究がある。
しかし、不均一性のため、HGをヘテロフィリーで扱うアプローチを拡張することは自明ではない。
本研究では, 経験的観測に基づいて, HGのホモフィリエンス度を測定するメタパス誘導測定法を提案する。
また,現在のHGNNは,相同性に乏しいHGを扱う場合,性能が劣化していた可能性がある。
したがって、HGNNの非親和性HGへの一般化能力を高めることが不可欠である。
この目的のために,HGNNの性能を向上させるため,HG構造を修飾するホモフィリー指向の深部不均一グラフ再構成手法であるHDHGRを提案する。
理論的にはHDHGRを検証する。
さらに、実世界のHG実験はHDHGRの有効性を示し、これは10%以上の相対的な利得をもたらす。
関連論文リスト
- When Heterophily Meets Heterogeneity: New Graph Benchmarks and Effective Methods [20.754843684170034]
H2GBは、グラフのヘテロフィとヘテロジニアスの性質の両方の複雑さをまとめる新しいグラフベンチマークである。
ベンチマークには5つのドメインにまたがる9つの現実世界のデータセット、28のベースラインモデル実装、26のベンチマーク結果が含まれています。
本稿では、モジュラーグラフ変換フレームワークUnifiedGTと新しいモデル変種H2G-formerを提案する。
論文 参考訳(メタデータ) (2024-07-15T17:18:42Z) - HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。
本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文 参考訳(メタデータ) (2024-01-18T12:47:13Z) - Hetero$^2$Net: Heterophily-aware Representation Learning on
Heterogenerous Graphs [38.858702539146385]
We present Hetero$2$Net, a heterophily-aware HGNN that includes both masked metapath prediction and masked label prediction task。
Hetero$2$Netを,ヘテロフィリーのレベルが異なる5つの実世界ヘテロジニアスグラフベンチマークで評価した。
論文 参考訳(メタデータ) (2023-10-18T02:19:12Z) - 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) - Make Heterophily Graphs Better Fit GNN: A Graph Rewiring Approach [43.41163711340362]
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。
論文 参考訳(メタデータ) (2022-09-17T06:55:21Z) - HIRE: Distilling High-order Relational Knowledge From Heterogeneous
Graph Neural Networks [4.713436329217004]
本稿では,事前学習したHGNNからリレーショナル知識を蒸留する多目的プラグアンドプレイモジュールを提案する。
我々の知識を最大限に活用するために、不均一グラフ上のHIRE(HIgh-order Relational)知識蒸留フレームワークを最初に提案する。
論文 参考訳(メタデータ) (2022-07-25T03:25:15Z) - 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) - Are we really making much progress? Revisiting, benchmarking, and
refining heterogeneous graph neural networks [38.15094159495419]
異種グラフニューラルネットワーク(HGNN)の系統的再生について述べる。
単純な同種GNN(例えばGCNとGAT)は、不適切な設定のため、大半が過小評価されている。
頑健で再現可能なHGNN研究を容易にするため、異種グラフベンチマーク(HGB)を構築した。
論文 参考訳(メタデータ) (2021-12-30T06:29:21Z) - 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) - Heterogeneous Graph Transformer [49.675064816860505]
Webスケールの不均一グラフモデリングのための不均一グラフ変換器(HGT)アーキテクチャ
動的ヘテロジニアスグラフを扱うために、HGTに相対時間符号化手法を導入する。
Web スケールのグラフデータを扱うため,ヘテロジニアスなミニバッチグラフサンプリングアルゴリズム--HGSampling--を設計し,効率的かつスケーラブルなトレーニングを行う。
論文 参考訳(メタデータ) (2020-03-03T04:49:21Z)
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。