論文の概要: Spatial Heterophily Aware Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2306.12139v1
• Date: Wed, 21 Jun 2023 09:35:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 13:58:01.382376
• Title: Spatial Heterophily Aware Graph Neural Networks
• Title（参考訳）: 空間的異性認識グラフニューラルネットワーク
• Authors: Congxi Xiao, Jingbo Zhou, Jizhou Huang, Tong Xu, Hui Xiong
• Abstract要約: グラフニューラルネットワーク(GNN)は、都市を都市グラフとして定式化し、そのノードは、地域や関心点のような都市オブジェクトである。 近年,接続ノードが異なるヘテロフィリーグラフに対処するために,いくつかの拡張GNNアーキテクチャが開発されている。 しかし、都市グラフは通常、独特の空間的ヘテロフィリーな性質を持つことが観察され、つまり、異なる空間的距離の隣人の相似性は大きな多様性を示す。 我々は空間的多様性スコア(Spatial Diversity Score)と呼ばれるメトリクスを提案し、空間的ヘテロフィリを定量的に測定し、それがGNNの性能に与える影響を示す。
• 参考スコア（独自算出の注目度）: 35.95622680895503
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph Neural Networks (GNNs) have been broadly applied in many urban applications upon formulating a city as an urban graph whose nodes are urban objects like regions or points of interest. Recently, a few enhanced GNN architectures have been developed to tackle heterophily graphs where connected nodes are dissimilar. However, urban graphs usually can be observed to possess a unique spatial heterophily property; that is, the dissimilarity of neighbors at different spatial distances can exhibit great diversity. This property has not been explored, while it often exists. To this end, in this paper, we propose a metric, named Spatial Diversity Score, to quantitatively measure the spatial heterophily and show how it can influence the performance of GNNs. Indeed, our experimental investigation clearly shows that existing heterophilic GNNs are still deficient in handling the urban graph with high spatial diversity score. This, in turn, may degrade their effectiveness in urban applications. Along this line, we propose a Spatial Heterophily Aware Graph Neural Network (SHGNN), to tackle the spatial diversity of heterophily of urban graphs. Based on the key observation that spatially close neighbors on the urban graph present a more similar mode of difference to the central node, we first design a rotation-scaling spatial aggregation module, whose core idea is to properly group the spatially close neighbors and separately process each group with less diversity inside. Then, a heterophily-sensitive spatial interaction module is designed to adaptively capture the commonality and diverse dissimilarity in different spatial groups. Extensive experiments on three real-world urban datasets demonstrate the superiority of our SHGNN over several its competitors.
• Abstract（参考訳）: グラフニューラルネットワーク(gnns)は、地域や関心点のような都市対象である都市グラフとして都市を定式化することで、多くの都市応用に広く適用されてきた。 近年,接続ノードが類似するヘテロフィリグラフに対処すべく,いくつかのgnnアーキテクチャが開発されている。 しかし、都市グラフは通常、独特の空間的ヘテロフィリーな性質を持つことが観察され、つまり、異なる空間的距離の隣人の相似性は大きな多様性を示す。 この性質は探究されていないが、しばしば存在する。 そこで本稿では,空間的不均一度を定量的に測定し,それがGNNの性能に与える影響を示す指標である空間多様性スコアを提案する。 実際, 既存の異種性GNNは, 空間多様性スコアの高い都市グラフの処理に依然として不十分であることが明らかとなった。 これは、都市での応用において効果を低下させる可能性がある。 この線に沿って、都市グラフの空間的多様性に取り組むために、空間的ヘテロフィア認識グラフニューラルネットワーク(SHGNN)を提案する。 都市グラフ上の空間的に近接する隣人が中心ノードとより類似した相違を示すというキー観測に基づいて、まず、空間的に近接する隣人を適切にグループ化し、内部の多様性の低い各グループを個別に処理する回転スケーリング空間集合モジュールを設計する。 次に、ヘテロフィリ感応空間相互作用モジュールは、異なる空間群における共通性と多様な相似性を適応的に捉えるように設計される。 3つの実世界の都市データセットに対する大規模な実験は、SHGNNが競合相手よりも優れていることを示している。

関連論文リスト

• DepWiGNN: A Depth-wise Graph Neural Network for Multi-hop Spatial Reasoning in Text [52.699307699505646]
  マルチホップ空間推論のためのDepWiGNN(Depth-Wise Graph Neural Network)を提案する。 具体的には,新しいノードメモリ方式を設計し,グラフの幅次元ではなく深さ次元の情報を集約する。 2つの挑戦的なマルチホップ空間推論データセットの実験結果から,DepWiGNNが既存の空間推論手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-19T08:07:22Z)
• LSGNN: Towards General Graph Neural Network in Node Classification by Local Similarity [59.41119013018377]
  本稿では,ローカル類似性(LocalSim)を用いて,プラグイン・アンド・プレイモジュールとしても機能するノードレベルの重み付き融合を学習する。 そこで本研究では,より情報性の高いマルチホップ情報を抽出するための,新規かつ効率的な初期残留差分接続(IRDC)を提案する。 提案手法,すなわちローカル類似グラフニューラルネットワーク(LSGNN)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,同等あるいは優れた最先端性能を提供できる。
  論文  参考訳（メタデータ） (2023-05-07T09:06:11Z)
• Incorporating Heterophily into Graph Neural Networks for Graph Classification [6.709862924279403]
  グラフニューラルネットワーク(GNN)は、しばしばグラフ分類において強いホモフィリを仮定し、ヘテロフィリを考えることは滅多にない。 We developed a novel GNN architecture called IHGNN (short for Incorporated Heterophily into Graph Neural Networks) 我々は、様々なグラフデータセット上でIHGNNを実証的に検証し、グラフ分類のための最先端のGNNよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-15T06:48:35Z)
• Space4HGNN: A Novel, Modularized and Reproducible Platform to Evaluate Heterogeneous Graph Neural Network [51.07168862821267]
  本稿では, ヘテロジニアス・リニア変換, ヘテロジニアス・グラフ変換, ヘテロジニアス・メッセージパッシング・レイヤの3つのコンポーネントからなる, 殆どのHGNNをカバーする統一的なフレームワークを提案する。 次に、モジュール化されたコンポーネント、再現可能な実装、およびHGNNの標準化された評価を提供する統一フレームワークに基づいて、HGNNの設計空間を定義することで、Space4HGNNを構築する。
  論文  参考訳（メタデータ） (2022-02-18T13:11:35Z)
• Effective Urban Region Representation Learning Using Heterogeneous Urban Graph Attention Network (HUGAT) [0.0]
  都市域の表現を学習するためのヘテロジニアスな都市グラフアテンションネットワーク(HUGAT)を提案する。 ニューヨークのデータに関する我々の実験では、HUGATは最先端のすべてのモデルより優れています。
  論文  参考訳（メタデータ） (2022-02-18T04:59:20Z)
• Positional Encoder Graph Neural Networks for Geographic Data [1.840220263320992]
  グラフニューラルネットワーク(GNN)は、連続空間データをモデリングするための強力でスケーラブルなソリューションを提供する。 本稿では,空間コンテキストと相関関係をモデルに明示的に組み込んだ新しいフレームワークPE-GNNを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:41:49Z)
• Neural Embeddings of Urban Big Data Reveal Emergent Structures in Cities [7.148078723492643]
  都市部の異質性を利用したニューラルネットワーク(GNN)を提案する。 アメリカ合衆国の16大都市圏において,何百万もの携帯電話利用者による大規模高解像度モビリティデータセットを用いて,都市部コンポーネント間の複雑な関係をエンコードしていることを示す。 異なる郡で訓練されたモデルによって生成された埋め込みは、他の郡における創発的空間構造の50%から60%を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-10-24T07:13:14Z)
• ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
  本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。 複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-10-15T07:18:57Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Quantifying spatial homogeneity of urban road networks via graph neural networks [12.875369866362327]
  都市道路ネットワーク(URN)の空間均質性は、各異なるコンポーネントがネットワーク全体と類似しているかどうかを測定します。 グラフニューラルネットワークを使用して、世界中の30都市で11,790のURNサンプルをモデル化し、その予測可能性を使用して空間均質を定義します。
  論文  参考訳（メタデータ） (2021-01-01T19:45:04Z)

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。