論文の概要: What Is Missing In Homophily? Disentangling Graph Homophily For Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2406.18854v1
• Date: Thu, 27 Jun 2024 02:48:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-28 15:27:31.052302
• Title: What Is Missing In Homophily? Disentangling Graph Homophily For Graph Neural Networks
• Title（参考訳）: ホモフィリーに欠けているものは? グラフニューラルネットワークのためのグラフホモフィリーの分離
• Authors: Yilun Zheng, Sitao Luan, Lihui Chen,
• Abstract要約: グラフホモフィリー(Graph homophily)は、連結ノードが同様の特性を共有する傾向にある現象を指す。 エッジやノードのホモフィリーのような最も広く使われているホモフィリー計量は、そのような「類似性」を定量化する。 グラフニューラルネットワーク(GNN)のホモフィリな影響はいまだに不明で議論の余地がある。
• 参考スコア（独自算出の注目度）: 3.1227658238819855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph homophily refers to the phenomenon that connected nodes tend to share similar characteristics. Understanding this concept and its related metrics is crucial for designing effective Graph Neural Networks (GNNs). The most widely used homophily metrics, such as edge or node homophily, quantify such "similarity" as label consistency across the graph topology. These metrics are believed to be able to reflect the performance of GNNs, especially on node-level tasks. However, many recent studies have empirically demonstrated that the performance of GNNs does not always align with homophily metrics, and how homophily influences GNNs still remains unclear and controversial. Then, a crucial question arises: What is missing in our current understanding of homophily? To figure out the missing part, in this paper, we disentangle the graph homophily into $3$ aspects: label, structural, and feature homophily, providing a more comprehensive understanding of GNN performance. To investigate their synergy, we propose a Contextual Stochastic Block Model with $3$ types of Homophily (CSBM-3H), where the topology and feature generation are controlled by the $3$ metrics. Based on the theoretical analysis of CSBM-3H, we derive a new composite metric, named Tri-Hom, that considers all $3$ aspects and overcomes the limitations of conventional homophily metrics. The theoretical conclusions and the effectiveness of Tri-Hom have been verified through synthetic experiments on CSBM-3H. In addition, we conduct experiments on $31$ real-world benchmark datasets and calculate the correlations between homophily metrics and model performance. Tri-Hom has significantly higher correlation values than $17$ existing metrics that only focus on a single homophily aspect, demonstrating its superiority and the importance of homophily synergy. Our code is available at \url{https://github.com/zylMozart/Disentangle_GraphHom}.
• Abstract（参考訳）: グラフホモフィリー(Graph homophily)は、連結ノードが同様の特性を共有する傾向にある現象を指す。 この概念とその関連メトリクスを理解することは、効果的なグラフニューラルネットワーク(GNN)の設計に不可欠である。 エッジやノードのホモフィリーといった最も広く使われているホモフィリー計量は、グラフトポロジー全体にわたるラベルの整合性のような「類似性」を定量化する。 これらのメトリクスは、特にノードレベルのタスクにおいて、GNNのパフォーマンスを反映できると考えられている。 しかし、近年の多くの研究は、GNNのパフォーマンスが必ずしもホモフィリーな指標と一致していないこと、また、GNNのホモフィリーな影響がまだ不明であり、議論の的になっていることを実証的に証明している。 現在のホモフィリーの理解に欠けているものは何か? 不足点を明らかにするために,本稿では,グラフをラベル,構造,特徴のホモフィズといった$3の側面に分解し,GNNのパフォーマンスをより包括的に理解する。 それらの相乗効果を調べるために,3$のホモフィリー(CSBM-3H)を持つコンテキスト確率ブロックモデルを提案し,そのトポロジと特徴生成を3$のメトリクスで制御する。 CSBM-3Hの理論的解析に基づいて、トリホム(Tri-Hom)と呼ばれる新しい合成計量を導出する。 トリホムの理論的結論と有効性は、CSBM-3Hの合成実験によって検証されている。 さらに、実世界のベンチマークデータセット311ドルの実験を行い、ホモフィリメトリックとモデル性能の相関を計算した。 トリホムは、単一のホモフィリー的な側面のみに焦点を当てた17ドルの既存のメトリクスよりもはるかに高い相関値を持ち、その優位性とホモフィリーなシナジーの重要性を示している。 我々のコードは \url{https://github.com/zylMozart/Disentangle_GraphHom} で利用可能です。

関連論文リスト

• The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
  ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。 観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。 さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-06-18T12:16:00Z)
• Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
  異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。 我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。 その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:26:53Z)
• 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)
• When Do Graph Neural Networks Help with Node Classification? Investigating the Impact of Homophily Principle on Node Distinguishability [92.8279562472538]
  ホモフィリー原理は、ノード分類タスクにおけるニューラルネットワークよりもグラフネットワーク(GNN)の性能上の優位性の主要な理由であると考えられている。 最近の研究は、ホモフィリーがなくても、同じクラスのノードが類似した近隣パターンを共有する限り、GNNの利点は依然として存在することを示唆している。
  論文  参考訳（メタデータ） (2023-04-25T09:40:47Z)
• Characterizing Graph Datasets for Node Classification: Homophily-Heterophily Dichotomy and Beyond [36.5554915218563]
  ホモフィリー(英: Homophily)は、類似したノードを接続するエッジの傾向を記述するグラフ特性である。 文学において、ホモフィリーの普遍的に合意された尺度は存在しない。 一般的に使用されるホモフィリー測度は、異なるデータセット間でのホモフィリーレベルの比較を防止するために、重大な欠点があることが示される。
  論文  参考訳（メタデータ） (2022-09-13T17:28:25Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• Is Heterophily A Real Nightmare For Graph Neural Networks To Do Node Classification? [44.71818395535755]
  グラフニューラルネットワーク(GNN)は、帰納的バイアス(ホモフィリー仮定)に基づくグラフ構造を用いて基本ニューラルネットワーク(NN)を拡張する グラフに依存しないNNに対するGNNのパフォーマンス上の利点は、一般的には満足できないようである。 ヘテロフィリーが主な原因と見なされ、それに対応するために多くの研究が進められている。
  論文  参考訳（メタデータ） (2021-09-12T23:57:05Z)
• Is Homophily a Necessity for Graph Neural Networks? [50.959340355849896]
  グラフニューラルネットワーク(GNN)は、多数のグラフベースの機械学習タスクに適した学習表現において大きな進歩を見せている。 GNNはホモフィリーな仮定によりうまく機能し、異種ノードが接続する異種グラフへの一般化に失敗したと広く信じられている。 最近の研究は、このような不均一な制限を克服する新しいアーキテクチャを設計し、ベースライン性能の低さと、この概念の証拠として、いくつかの異種グラフベンチマークデータセットに対するアーキテクチャの改善を引用している。 我々の実験では、標準グラフ畳み込みネットワーク(GCN)が実際よりも優れた性能を実現できることを実証的に見出した。
  論文  参考訳（メタデータ） (2021-06-11T02:44:00Z)
• Graph Neural Networks with Heterophily [40.23690407583509]
  我々は、ホモフィリーなグラフとヘテロフィリーなグラフのGNNを一般化するCPGNNと呼ばれる新しいフレームワークを提案する。 フレームワークの互換性行列を(純粋なホモフィリーを表す)同一性に置き換えると、GCNに還元されることを示す。
  論文  参考訳（メタデータ） (2020-09-28T18:29:36Z)

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。