論文の概要: Learning from Graphs with Heterophily: Progress and Future
- arxiv url: http://arxiv.org/abs/2401.09769v2
- Date: Thu, 1 Feb 2024 12:12:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 18:27:00.051111
- Title: Learning from Graphs with Heterophily: Progress and Future
- Title(参考訳): Heterophilyでグラフから学ぶ - 進歩と未来
- Authors: Chenghua Gong, Yao Cheng, Xiang Li, Caihua Shan, Siqiang Luo
- Abstract要約: 連結ノードが異なるラベルや異種な特徴を持つ傾向にあるヘテロフィルスグラフは、最近大きな注目を集め、多くのアプリケーションを発見した。
本稿では,ヘテロフィリーグラフを用いた学習に関する既存の研究を概観する。
我々は180以上の出版物を収集し、この分野の発展を紹介します。
そこで我々は,学習戦略,モデルアーキテクチャ,実践的応用を含む階層的分類に基づく既存手法を体系的に分類する。
- 参考スコア(独自算出の注目度): 20.56720254848317
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graphs are structured data that models complex relations between real-world
entities. Heterophilous graphs, where linked nodes are prone to be with
different labels or dissimilar features, have recently attracted significant
attention and found many applications. Meanwhile, increasing efforts have been
made to advance learning from heterophilous graphs. Although there exist
surveys on the relevant topic, they focus on heterophilous GNNs, which are only
sub-topics of heterophilous graph learning. In this survey, we comprehensively
overview existing works on learning from graphs with heterophily.First, we
collect over 180 publications and introduce the development of this field.
Then, we systematically categorize existing methods based on a hierarchical
taxonomy including learning strategies, model architectures and practical
applications. Finally, we discuss the primary challenges of existing studies
and highlight promising avenues for future research.More publication details
and corresponding open-source codes can be accessed and will be continuously
updated at our
repositories:https://github.com/gongchenghua/Awesome-Survey-Graphs-with-Heterophily.
- Abstract(参考訳): グラフは、現実世界のエンティティ間の複雑な関係をモデル化する構造化データである。
連結ノードが異なるラベルや異種な特徴を持つ傾向にあるヘテロフィルスグラフは、最近大きな注目を集め、多くのアプリケーションを発見した。
一方、異種グラフからの学習を促進する努力が増加している。
関連するトピックに関する調査は存在するが、ヘテロ親和性グラフ学習のサブトピックであるヘテロ親和性GNNに焦点を当てている。
本調査では、ヘテロフィリーグラフによる学習に関する既存の研究を概観し、まず180以上の出版物を収集し、その分野の発展を紹介する。
そこで我々は,学習戦略,モデルアーキテクチャ,実践的応用を含む階層的分類に基づく既存手法を体系的に分類する。
最後に、既存の研究の主な課題を議論し、今後の研究に有望な道筋を強調する。出版の詳細と対応するオープンソースコードにアクセスして、リポジトリで継続的に更新します。
関連論文リスト
- OpenGraph: Towards Open Graph Foundation Models [22.929100194849113]
本研究では,多種多様なグラフデータに存在する複雑なトポロジ的パターンを理解するための一般グラフ基盤モデルを構築した。
本稿では,グラフモデルに統一的なグラフトークン化手法を提案する。
また,グローバルなトポロジ的コンテキスト内のノード依存性を効果的にキャプチャするスケーラブルなグラフ変換器を開発した。
論文 参考訳(メタデータ) (2024-03-02T08:05:03Z) - Counterfactual Learning on Graphs: A Survey [33.22165854035219]
グラフニューラルネットワーク(GNN)は,グラフ上での表現学習において大きな成功を収めている。
グラフ上のカウンターファクトラーニングは、これらの欠点を緩和する有望な結果を示している。
グラフ上の反実的公正性、説明可能性、リンク予測などに対する様々なグラフ反実的学習手法が提案されている。
論文 参考訳(メタデータ) (2023-04-03T21:42:42Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳(メタデータ) (2023-01-14T09:15:49Z) - A Survey of Deep Graph Clustering: Taxonomy, Challenge, Application, and
Open Resource [87.7460720701592]
本稿では, この分野における公式定義, 評価, 開発について紹介する。
ディープグラフクラスタリング手法の分類は,グラフタイプ,ネットワークアーキテクチャ,学習パラダイム,クラスタリング手法など,4つの異なる基準に基づいて提示される。
コンピュータビジョン、自然言語処理、レコメンデーションシステム、ソーシャルネットワーク分析、バイオインフォマティクス、医学を含む6分野におけるディープグラフクラスタリング手法の適用について述べる。
論文 参考訳(メタデータ) (2022-11-23T11:31:11Z) - Graph-level Neural Networks: Current Progress and Future Directions [61.08696673768116]
グラフレベルのニューラルネットワーク(GLNN、ディープラーニングベースのグラフレベルの学習法)は、高次元データのモデリングにおいて優れているため、魅力的である。
本稿では,深層ニューラルネットワーク,グラフニューラルネットワーク,グラフプール上でのGLNNを網羅する系統分類法を提案する。
論文 参考訳(メタデータ) (2022-05-31T06:16:55Z) - Graph Pooling for Graph Neural Networks: Progress, Challenges, and
Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。
グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文 参考訳(メタデータ) (2022-04-15T04:02:06Z) - 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) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳(メタデータ) (2021-12-12T14:18:18Z)
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。