論文の概要: Hetero$^2$Net: Heterophily-aware Representation Learning on
Heterogenerous Graphs
- arxiv url: http://arxiv.org/abs/2310.11664v1
- Date: Wed, 18 Oct 2023 02:19:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-19 18:09:25.000402
- Title: Hetero$^2$Net: Heterophily-aware Representation Learning on
Heterogenerous Graphs
- Title(参考訳): hetero$^2$net:異種グラフを用いたヘテロフィアウェア表現学習
- Authors: Jintang Li, Zheng Wei, Jiawang Dan, Jing Zhou, Yuchang Zhu, Ruofan Wu,
Baokun Wang, Zhang Zhen, Changhua Meng, Hong Jin, Zibin Zheng, Liang Chen
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 38.858702539146385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world graphs are typically complex, exhibiting heterogeneity in the
global structure, as well as strong heterophily within local neighborhoods.
While a growing body of literature has revealed the limitations of common graph
neural networks (GNNs) in handling homogeneous graphs with heterophily, little
work has been conducted on investigating the heterophily properties in the
context of heterogeneous graphs. To bridge this research gap, we identify the
heterophily in heterogeneous graphs using metapaths and propose two practical
metrics to quantitatively describe the levels of heterophily. Through in-depth
investigations on several real-world heterogeneous graphs exhibiting varying
levels of heterophily, we have observed that heterogeneous graph neural
networks (HGNNs), which inherit many mechanisms from GNNs designed for
homogeneous graphs, fail to generalize to heterogeneous graphs with heterophily
or low level of homophily. To address the challenge, we present Hetero$^2$Net,
a heterophily-aware HGNN that incorporates both masked metapath prediction and
masked label prediction tasks to effectively and flexibly handle both
homophilic and heterophilic heterogeneous graphs. We evaluate the performance
of Hetero$^2$Net on five real-world heterogeneous graph benchmarks with varying
levels of heterophily. The results demonstrate that Hetero$^2$Net outperforms
strong baselines in the semi-supervised node classification task, providing
valuable insights into effectively handling more complex heterogeneous graphs.
- Abstract(参考訳): 実世界のグラフは概して複雑であり、大域的な構造に異質性を示し、また近隣では強い異質性を示す。
ヘテロジニアスグラフをヘテロジニアスグラフで扱う際の共通グラフニューラルネットワーク(GNN)の限界が増大する一方で、ヘテロジニアスグラフの文脈におけるヘテロジニアス特性の研究はほとんど行われていない。
この研究ギャップを埋めるために,メタパスを用いて異種グラフのヘテロフィリを同定し,ヘテロフィリのレベルを定量的に記述する2つの実用的な指標を提案する。
ヘテロフィリーのレベルが異なる実世界の異種グラフの詳細な調査を通じて、同種グラフ用に設計されたGNNから多くのメカニズムを継承するヘテロジニアスグラフニューラルネットワーク(HGNN)が、異種グラフや低次ホモフィリーのヘテロジニアスグラフへの一般化に失敗することを発見した。
この課題に対処するために,マスク付きメタパス予測とマスク付きラベル予測タスクを併用したヘテロフィックなHGNNであるHetero$^2$Netを提案し,同種グラフとヘテロフィリックなヘテロジニアスグラフの両方を効果的かつ柔軟に扱う。
我々は,ヘテロフィアレベルが異なる5つの実世界のヘテロフィアグラフベンチマークにおいて,ヘテロ$^2$netの性能を評価する。
その結果、Hetero$^2$Netは、半教師付きノード分類タスクにおいて強いベースラインを上回り、より複雑な異種グラフを効果的に扱うための貴重な洞察を与えている。
関連論文リスト
- GPatcher: A Simple and Adaptive MLP Model for Alleviating Graph
Heterophily [15.93465948768545]
グラフニューラルネットワーク(GNN)フィルタにおけるグラフヘテロフィリーの影響を解明する。
我々は,パッチ・ミクサーアーキテクチャを利用したGPatcherというシンプルで強力なGNNを提案する。
本モデルでは, ノード分類において, 人気ホモフィリーGNNや最先端ヘテロフィリーGNNと比較して, 優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-25T20:57:35Z) - 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) - Heterophily-Aware Graph Attention Network [58.99478502486377]
グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。
既存のヘテロフィル性GNNは、各エッジのヘテロフィリのモデリングを無視する傾向にあり、これはヘテロフィリ問題に取り組む上でも不可欠である。
本稿では,局所分布を基礎となるヘテロフィリーとして完全に探索し,活用することで,新たなヘテロフィア対応グラフ注意ネットワーク(HA-GAT)を提案する。
論文 参考訳(メタデータ) (2023-02-07T03:21:55Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳(メタデータ) (2022-04-30T12:57:02Z) - 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) - Hybrid Micro/Macro Level Convolution for Heterogeneous Graph Learning [45.14314180743549]
不均一グラフは、各グラフが複数の種類のノードとエッジから構成される現実的なシナリオで広く普及する。
既存のグラフ畳み込みアプローチのほとんどは均質グラフ用に設計されており、したがって異種グラフを扱うことはできない。
ヘテロジニアスグラフ上の包括的ノード表現を学習するための新しいヘテロジニアスグラフ畳み込み手法であるHGConvを提案する。
論文 参考訳(メタデータ) (2020-12-29T12:12:37Z) - 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。