論文の概要: Imbalanced Node Classification Beyond Homophilic Assumption

• arxiv url: http://arxiv.org/abs/2304.14635v1
• Date: Fri, 28 Apr 2023 05:33:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 15:16:39.813521
• Title: Imbalanced Node Classification Beyond Homophilic Assumption
• Title（参考訳）: ホモ親和性仮定を超越した不均衡ノード分類
• Authors: Jie Liu, Mengting He, Guangtao Wang, Nguyen Quoc Viet Hung, Xuequn Shang, Hongzhi Yin
• Abstract要約: 本稿では,同好性グラフと異好性グラフの両面における不均衡ノード分類のための新しいグラフSANNを提案する。 まず, ホモ親和性とヘテロ親和性の両方を持つ合成ノードを統一的に生成する機能混合器を提案する。 次に,合成ノードと既存ノード間のエッジをランダムにサンプリングすることで,適応的な部分グラフ抽出器を設計する。
• 参考スコア（独自算出の注目度）: 39.94226626445198
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Imbalanced node classification widely exists in real-world networks where graph neural networks (GNNs) are usually highly inclined to majority classes and suffer from severe performance degradation on classifying minority class nodes. Various imbalanced node classification methods have been proposed recently which construct synthetic nodes and edges w.r.t. minority classes to balance the label and topology distribution. However, they are all based on the homophilic assumption that nodes of the same label tend to connect despite the wide existence of heterophilic edges in real-world graphs. Thus, they uniformly aggregate features from both homophilic and heterophilic neighbors and rely on feature similarity to generate synthetic edges, which cannot be applied to imbalanced graphs in high heterophily. To address this problem, we propose a novel GraphSANN for imbalanced node classification on both homophilic and heterophilic graphs. Firstly, we propose a unified feature mixer to generate synthetic nodes with both homophilic and heterophilic interpolation in a unified way. Next, by randomly sampling edges between synthetic nodes and existing nodes as candidate edges, we design an adaptive subgraph extractor to adaptively extract the contextual subgraphs of candidate edges with flexible ranges. Finally, we develop a multi-filter subgraph encoder that constructs different filter channels to discriminatively aggregate neighbor's information along the homophilic and heterophilic edges. Extensive experiments on eight datasets demonstrate the superiority of our model for imbalanced node classification on both homophilic and heterophilic graphs.
• Abstract（参考訳）: 不均衡ノード分類は、グラフニューラルネットワーク(GNN)が多数派に強く依存し、少数派クラスノードの分類において深刻なパフォーマンス劣化に悩まされる現実世界のネットワークに広く存在する。 近年,ラベルとトポロジ分布のバランスをとるために,合成ノードとエッジとマイノリティクラスを構成する不均衡ノード分類法が提案されている。 しかし、それらは全て同じラベルのノードが実世界のグラフにヘテロ親和性辺が広く存在するにもかかわらず接続する傾向があるという親和的な仮定に基づいている。 したがって、ホモ親和性とヘテロ親和性の両方の特徴を均一に集約し、高い不均衡グラフに適用できない合成エッジを生成するために特徴類似性に依存する。 この問題に対処するために,同好性グラフと異好性グラフの両方で不均衡ノード分類を行う新しいグラフSANNを提案する。 まず,同種補間と異種補間を併用した合成ノードを統一的に生成する機能混合器を提案する。 次に,合成ノードと既存のノード間のエッジをランダムにサンプリングすることで,候補エッジのコンテキスト部分グラフを柔軟な範囲で適応的に抽出する適応サブグラフ抽出器を設計する。 最後に, 異なるフィルタチャネルを構成するマルチフィルタサブグラフエンコーダを開発し, 相同性および異種縁に沿って隣人の情報を識別的に集約する。 8つのデータセットに対する大規模な実験は、ホモ親和性グラフとヘテロ親和性グラフの両方において、不均衡ノード分類のためのモデルの優位性を示す。

関連論文リスト

• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。 最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
  ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。 観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。 さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-06-18T12:16:00Z)
• Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
  異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。 我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。 その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:26:53Z)
• 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)
• Beyond Homophily: Reconstructing Structure for Graph-agnostic Clustering [15.764819403555512]
  グラフを好適なGNNモデルが見つかる前に、まずホモ親和性あるいはヘテロ親和性として識別することは不可能である。 本稿では,グラフ再構成,混合フィルタ,二重グラフクラスタリングネットワークという3つの重要な要素を含むグラフクラスタリング手法を提案する。 我々の手法は異種グラフ上で他者を支配している。
  論文  参考訳（メタデータ） (2023-05-03T01:49:01Z)
• 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 [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)
• Label-Wise Message Passing Graph Neural Network on Heterophilic Graphs [20.470934944907608]
  ホモフィリーあるいはヘテロフィリーなグラフでよく機能する新しいフレームワークについて検討する。 ラベルに関するメッセージパッシングでは、類似の擬似ラベルを持つ隣人が集約される。 また、ホモフィリー・ヘテロフィリーなグラフのモデルを自動的に選択するバイレベル最適化法を提案する。
  論文  参考訳（メタデータ） (2021-10-15T14:49:45Z)
• 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)

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。