論文の概要: A Survey on Learning from Graphs with Heterophily: Recent Advances and Future Directions

• arxiv url: http://arxiv.org/abs/2401.09769v4
• Date: Mon, 30 Sep 2024 05:56:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 22:00:45.616578
• Title: A Survey on Learning from Graphs with Heterophily: Recent Advances and Future Directions
• Title（参考訳）: 異端性のあるグラフからの学習に関する調査研究 : 最近の進歩と今後の方向性
• Authors: Chenghua Gong, Yao Cheng, Jianxiang Yu, Can Xu, Caihua Shan, Siqiang Luo, Xiang Li,
• Abstract要約: 連結ノードが異なるラベルや異種特徴を持つ傾向があるヘテロ親和性グラフは、最近大きな注目を集めている。 さまざまなグラフヘテロフィリ測度、ベンチマークデータセット、学習パラダイムが急速に発展しています。
• 参考スコア（独自算出の注目度）: 35.544281678888986
• License:
• Abstract: Graphs are structured data that models complex relations between real-world entities. Heterophilic graphs, where linked nodes are prone to be with different labels or dissimilar features, have recently attracted significant attention and found many real-world applications. Meanwhile, increasing efforts have been made to advance learning from graphs with heterophily. Various graph heterophily measures, benchmark datasets, and learning paradigms are emerging rapidly. In this survey, we comprehensively review existing works on learning from graphs with heterophily. First, we overview over 500 publications, of which more than 340 are directly related to heterophilic graphs. After that, we survey existing metrics of graph heterophily and list recent benchmark datasets. Further, we systematically categorize existing methods based on a hierarchical taxonomy including GNN models, learning paradigms and practical applications. In addition, broader topics related to graph heterophily are also included. Finally, we discuss the primary challenges of existing studies and highlight promising avenues for future research.
• 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特徴を持つ傾向があるヘテロ親和性グラフは、最近大きな注目を集め、多くの現実世界のアプリケーションを発見した。 一方、ヘテロフィリーグラフからの学習を促進するために、ますます努力が続けられている。 さまざまなグラフヘテロフィリ測度、ベンチマークデータセット、学習パラダイムが急速に発展しています。 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的にレビューする。 まず、500以上の出版物について概説し、そのうち340以上は異種グラフに直接関係している。 その後、グラフヘテロフィリーの既存のメトリクスを調査し、最新のベンチマークデータセットをリストアップする。 さらに,GNNモデル,学習パラダイム,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。 また、グラフヘテロフィリーに関するより広範なトピックも含んでいる。 最後に,既存研究の主な課題について論じ,今後の研究に期待できる道のりを強調した。

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)
• OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
  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 [34.47646823407408]
  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。 グラフ上の反ファクトフェアネス、説明可能性、リンク予測など、様々な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)
• 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。