論文の概要: Investigating the Interplay between Features and Structures in Graph
Learning
- arxiv url: http://arxiv.org/abs/2308.09570v1
- Date: Fri, 18 Aug 2023 14:02:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-21 12:57:58.143882
- Title: Investigating the Interplay between Features and Structures in Graph
Learning
- Title(参考訳): グラフ学習における特徴と構造間の相互作用の検討
- Authors: Daniele Castellana, Federico Errica
- Abstract要約: 過去には、メッセージパッシング手法のノード分類予測の改善と、ホモフィリィに強く関連していると考えられていた。
最近では、グラフが完全にヘテロ親和性であるが性能が高いノード分類タスクを構築することができるため、そのような二分法は単純すぎると研究者らは指摘した。
本研究は,ノード分類タスクの2つの生成過程を定式化することにより,この強い仮定が成立しない場合に何が起こるかを検討する。
- 参考スコア(独自算出の注目度): 6.436174170552484
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the past, the dichotomy between homophily and heterophily has inspired
research contributions toward a better understanding of Deep Graph Networks'
inductive bias. In particular, it was believed that homophily strongly
correlates with better node classification predictions of message-passing
methods. More recently, however, researchers pointed out that such dichotomy is
too simplistic as we can construct node classification tasks where graphs are
completely heterophilic but the performances remain high. Most of these works
have also proposed new quantitative metrics to understand when a graph
structure is useful, which implicitly or explicitly assume the correlation
between node features and target labels. Our work empirically investigates what
happens when this strong assumption does not hold, by formalising two
generative processes for node classification tasks that allow us to build and
study ad-hoc problems. To quantitatively measure the influence of the node
features on the target labels, we also use a metric we call Feature
Informativeness. We construct six synthetic tasks and evaluate the performance
of six models, including structure-agnostic ones. Our findings reveal that
previously defined metrics are not adequate when we relax the above assumption.
Our contribution to the workshop aims at presenting novel research findings
that could help advance our understanding of the field.
- Abstract(参考訳): 過去には、ホモフィリーとヘテロフィリーの二分法はディープグラフネットワークの帰納バイアスをよりよく理解するための研究の貢献に影響を与えた。
特に、ホモフィリーは、メッセージパッシング手法のより良いノード分類予測と強い相関があると信じられた。
しかし最近では、グラフが完全にヘテロ親和性であるが性能が高いノード分類タスクを構築することができるため、このような二分法は単純すぎることが指摘されている。
これらの研究の多くは、グラフ構造がいつ役立つかを理解するために、ノードの特徴とターゲットラベルの相関を暗黙的あるいは明示的に仮定する新しい定量的指標を提案している。
我々の研究は、ノード分類タスクのための2つの生成プロセスを定式化し、アドホックな問題を構築し、研究することで、この強い仮定が成立しないときに何が起こるかを実証的に調査する。
ノード特徴がターゲットラベルに与える影響を定量的に測定するために、我々はFeature Informativenessと呼ばれるメトリクスを使用する。
6つの合成タスクを構築し,構造非依存タスクを含む6つのモデルの性能評価を行った。
以上の結果から,既定のメトリクスは,上記の仮定を緩和しても不十分であることが判明した。
ワークショップへのコントリビューションは、この分野の理解を深めるための新しい研究成果の提示を目的としている。
関連論文リスト
- Multistage non-deterministic classification using secondary concept graphs and graph convolutional networks for high-level feature extraction [0.0]
多様なトピックを持つドメインでは、グラフ表現は特徴間の相互関係を示す。
達成にもかかわらず、9つの決定論的クラスを予測および割り当てすることは、しばしばエラーを伴う。
二次概念グラフとグラフ畳み込みネットワークに基づく多段階非決定論的分類法を提案する。
論文 参考訳(メタデータ) (2024-11-09T15:28:45Z) - 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) - Robust Graph Structure Learning under Heterophily [12.557639223778722]
本稿では、下流タスクのための異種データから高品質なグラフを実現するための、新しい頑健なグラフ構造学習法を提案する。
まず,そのノードの特徴に構造情報をエンコードすることで,各ノードが近隣ノードとより区別されるようにハイパスフィルタを適用する。
そして、異なるレベルのノイズを特徴付ける適応ノルムを持つ頑健なグラフを学習する。
論文 参考訳(メタデータ) (2024-03-06T12:29:13Z) - On Discprecncies between Perturbation Evaluations of Graph Neural
Network Attributions [49.8110352174327]
我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。
中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。
我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
論文 参考訳(メタデータ) (2024-01-01T02:03:35Z) - Rank Collapse Causes Over-Smoothing and Over-Correlation in Graph Neural Networks [3.566568169425391]
深さが大きくなると、ノード表現はアグリゲーション関数に依存するが特徴変換には依存しない低次元部分空間に支配されることが示される。
すべてのアグリゲーション関数について、ノード表現のランクは崩壊し、特定のアグリゲーション関数に対して過度に滑らかになる。
論文 参考訳(メタデータ) (2023-08-31T15:22:31Z) - Contrastive Learning for Non-Local Graphs with Multi-Resolution
Structural Views [1.4445779250002606]
本稿では,グラフ上の拡散フィルタを統合する新しい多視点コントラスト学習手法を提案する。
複数のグラフビューを拡張として組み込むことで、異種グラフの構造的等価性を捉える。
論文 参考訳(メタデータ) (2023-08-19T17:42:02Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳(メタデータ) (2022-04-01T10:01:37Z) - Deconfounded Training for Graph Neural Networks [98.06386851685645]
本稿では, コンバウンディング効果を緩和し, 臨界情報に対するラッチを緩和する新しいDecon Training(DTP)のパラダイムを提案する。
具体的には、注意モジュールを用いて臨界部分グラフと自明部分グラフをアンタングル化する。
これにより、GNNは、ラベルとの関係が複数のディストリビューションで堅牢である、より信頼性の高いサブグラフをキャプチャできる。
論文 参考訳(メタデータ) (2021-12-30T15:22:35Z) - Exploiting Heterogeneous Graph Neural Networks with Latent Worker/Task
Correlation Information for Label Aggregation in Crowdsourcing [72.34616482076572]
クラウドソーシングは専門家ではなく、専門家でない労働者からラベルを集めるのに便利であることから、多くの注目を集めている。
群集ラベルを集約するグラフニューラルネットワークに基づく新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-25T10:12:37Z) - A Survey of Adversarial Learning on Graphs [59.21341359399431]
本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。
具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。
我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
論文 参考訳(メタデータ) (2020-03-10T12:48:00Z)
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。