Fugu-MT 論文翻訳(概要): Link Prediction under Heterophily: A Physics-Inspired Graph Neural Network Approach

論文の概要: Link Prediction under Heterophily: A Physics-Inspired Graph Neural Network Approach

arxiv url: http://arxiv.org/abs/2402.14802v1
Date: Thu, 22 Feb 2024 18:56:31 GMT
ステータス: 処理完了
システム内更新日: 2024-02-23 14:08:05.153714
Title: Link Prediction under Heterophily: A Physics-Inspired Graph Neural Network Approach
Title（参考訳）: ヘテロフィリーによるリンク予測:物理に触発されたグラフニューラルネットワークアプローチ
Authors: Andrea Giuseppe Di Francesco, Francesco Caso, Maria Sofia Bucarelli and Fabrizio Silvestri
Abstract要約: 本稿では,リンク予測のためのGRAFFの拡張であるGRAFF-LPを紹介する。ヘテロ親和性グラフの最近のコレクションにおける有効性を評価する。
参考スコア（独自算出の注目度）: 5.187216033152917
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the past years, Graph Neural Networks (GNNs) have become the `de facto' standard in various deep learning domains, thanks to their flexibility in modeling real-world phenomena represented as graphs. However, the message-passing mechanism of GNNs faces challenges in learnability and expressivity, hindering high performance on heterophilic graphs, where adjacent nodes frequently have different labels. Most existing solutions addressing these challenges are primarily confined to specific benchmarks focused on node classification tasks. This narrow focus restricts the potential impact that link prediction under heterophily could offer in several applications, including recommender systems. For example, in social networks, two users may be connected for some latent reason, making it challenging to predict such connections in advance. Physics-Inspired GNNs such as GRAFF provided a significant contribution to enhance node classification performance under heterophily, thanks to the adoption of physics biases in the message-passing. Drawing inspiration from these findings, we advocate that the methodology employed by GRAFF can improve link prediction performance as well. To further explore this hypothesis, we introduce GRAFF-LP, an extension of GRAFF to link prediction. We evaluate its efficacy within a recent collection of heterophilic graphs, establishing a new benchmark for link prediction under heterophily. Our approach surpasses previous methods, in most of the datasets, showcasing a strong flexibility in different contexts, and achieving relative AUROC improvements of up to 26.7%.
Abstract（参考訳）: 過去数年間、グラフニューラルネットワーク(gnns)は、グラフとして表される現実世界の現象のモデリングの柔軟性により、さまざまなディープラーニング領域で「事実上」標準となっている。しかし、GNNのメッセージパッシング機構は学習性と表現性の課題に直面しており、隣接ノードがしばしば異なるラベルを持つヘテロ親和性グラフ上でのハイパフォーマンスを妨げる。これらの課題に対処する既存のソリューションのほとんどは、ノード分類タスクに焦点を当てた特定のベンチマークに限られている。この狭い焦点は、ヘテロフィリーの下でリンク予測が、レコメンダシステムを含むいくつかのアプリケーションにもたらす潜在的影響を制限する。例えば、ソーシャルネットワークでは、2人のユーザーが何らかの潜在的な理由で接続されている可能性がある。 GRAFFのような物理にインスパイアされたGNNは、メッセージパッシングにおける物理バイアスの導入により、ヘテロフィリーの下でのノード分類性能の向上に重要な貢献をした。これらの知見から着想を得て,graff が採用する手法はリンク予測性能も向上できることが示唆された。この仮説をさらに探求するため,GRAFFの拡張であるGRAFF-LPを導入する。ヘテロフィリックグラフの最近のコレクションにおける有効性を評価し,ヘテロフィリなリンク予測のための新しいベンチマークを構築した。我々のアプローチは、多くのデータセットにおいて、以前の手法を上回り、異なるコンテキストで強い柔軟性を示し、26.7%の相対的auroc改善を達成する。

関連論文リスト

Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。 GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
論文参考訳（メタデータ） (2024-11-19T08:32:14Z)
PROXI: Challenging the GNNs for Link Prediction [3.8233569758620063]
本稿では,グラフと属性空間の両方におけるノードペアの近接情報を活用するPROXIを紹介する。標準機械学習(ML)モデルは競争力があり、最先端のGNNモデルよりも優れています。 ProXIによる従来のGNNの拡張はリンク予測性能を大幅に向上させることを示す。
論文参考訳（メタデータ） (2024-10-02T17:57:38Z)
On the Impact of Feature Heterophily on Link Prediction with Graph Neural Networks [12.26334940017605]
ネットワーク内の接続ノードが異なるクラスラベルや異種特徴を持つ傾向は、多くのグラフニューラルネットワーク(GNN)モデルでは難しいと認識されている。本稿では,リンク予測タスクに着目し,ノード特徴がGNN性能に与える影響を系統的に解析する。
論文参考訳（メタデータ） (2024-09-26T02:19:48Z)
Design Your Own Universe: A Physics-Informed Agnostic Method for Enhancing Graph Neural Networks [34.16727363891593]
グラフニューラルネットワーク(GNN)のためのモデルに依存しない拡張フレームワークを提案する。このフレームワークは、追加ノードを導入し、負の重み付けと負の重み付けの両方で接続を切り替えることでグラフ構造を豊かにする。提案手法によって強化されたGNNが,過度にスムースな問題を効果的に回避し,過度なスキャッシングに対する堅牢性を示すことを理論的に検証する。好中球グラフ,ヘテロ親和性グラフ,長期グラフデータセットのベンチマークにおける実証的検証により,本手法により強化されたGNNが元のグラフよりも有意に優れていることが示された。
論文参考訳（メタデータ） (2024-01-26T00:47:43Z)
Breaking the Entanglement of Homophily and Heterophily in Semi-supervised Node Classification [25.831508778029097]
統計的観点から,ノードプロファイルとトポロジの関係を定量化するAMUDを提案する。また、AMUDのための新しい有向グラフ学習パラダイムとしてADPAを提案する。
論文参考訳（メタデータ） (2023-12-07T07:54:11Z)
DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-05-22T10:29:52Z)
Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
論文参考訳（メタデータ） (2022-11-15T11:44:31Z)
Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文参考訳（メタデータ） (2022-09-23T05:24:18Z)
EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文参考訳（メタデータ） (2022-05-27T10:48:14Z)
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)
Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。我々は,新しいメタ学習フレームワークによってこの問題に対処する。我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。