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

• Homophily-aware Heterogeneous Graph Contrastive Learning [23.38883104104888]
  我々は,同種ノード表現を学習するために,HGMSと呼ばれる新しい異種グラフコントラスト学習フレームワークを提案する。 具体的には、拡張ビューのホモフィリティーを高めるヘテロジニアスエッジドロップ増強戦略を設計する。 実際に,自己表現行列を解くための2つの手法を開発した。
  論文  参考訳（メタデータ） (2025-01-15T02:56:50Z)
• Teaching MLPs to Master Heterogeneous Graph-Structured Knowledge for Efficient and Accurate Inference [53.38082028252104]
  我々はHGNNの優れた性能とリレーショナルの効率的な推論を組み合わせたHG2MとHG2M+を紹介する。 HG2Mは直接、教師HGNNの入力とソフトラベルをターゲットとしてノード特徴を持つ生徒を訓練する。 HG2Mは、大規模IGB-3M-19データセット上でのHGNNよりも379.24$timesの速度アップを示す。
  論文  参考訳（メタデータ） (2024-11-21T11:39:09Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• Hetero$^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)
• HGCH: A Hyperbolic Graph Convolution Network Model for Heterogeneous Collaborative Graph Recommendation [11.651443951846668]
  異種協調グラフに多様な側面情報を統合する協調フィルタリングのための改良されたHGCNモデルを提案する。 その結果,HGCHは競争的な結果が得られ,最上位のベースラインを上回る結果が得られた。
  論文  参考訳（メタデータ） (2023-04-06T09:38:54Z)
• 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。