論文の概要: The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges

• arxiv url: http://arxiv.org/abs/2407.09618v1
• Date: Fri, 12 Jul 2024 18:04:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 21:38:05.844972
• Title: The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges
• Title（参考訳）: Heterophilic Graph Learning Handbook:ベンチマーク、モデル、理論的分析、応用と課題
• Authors: Sitao Luan, Chenqing Hua, Qincheng Lu, Liheng Ma, Lirong Wu, Xinyu Wang, Minkai Xu, Xiao-Wen Chang, Doina Precup, Rex Ying, Stan Z. Li, Jian Tang, Guy Wolf, Stefanie Jegelka,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 101.83124435649358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Homophily principle, \ie{} nodes with the same labels or similar attributes are more likely to be connected, has been commonly believed to be the main reason for the superiority of Graph Neural Networks (GNNs) over traditional Neural Networks (NNs) on graph-structured data, especially on node-level tasks. However, recent work has identified a non-trivial set of datasets where GNN's performance compared to the NN's is not satisfactory. Heterophily, i.e. low homophily, has been considered the main cause of this empirical observation. People have begun to revisit and re-evaluate most existing graph models, including graph transformer and its variants, in the heterophily scenario across various kinds of graphs, e.g. heterogeneous graphs, temporal graphs and hypergraphs. Moreover, numerous graph-related applications are found to be closely related to the heterophily problem. In the past few years, considerable effort has been devoted to studying and addressing the heterophily issue. In this survey, we provide a comprehensive review of the latest progress on heterophilic graph learning, including an extensive summary of benchmark datasets and evaluation of homophily metrics on synthetic graphs, meticulous classification of the most updated supervised and unsupervised learning methods, thorough digestion of the theoretical analysis on homophily/heterophily, and broad exploration of the heterophily-related applications. Notably, through detailed experiments, we are the first to categorize benchmark heterophilic datasets into three sub-categories: malignant, benign and ambiguous heterophily. Malignant and ambiguous datasets are identified as the real challenging datasets to test the effectiveness of new models on the heterophily challenge. Finally, we propose several challenges and future directions for heterophilic graph representation learning.
• Abstract（参考訳）: 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ため、グラフ構造化されたデータ、特にノードレベルのタスクにおいて、従来のニューラルネットワーク(NN)よりもグラフニューラルネットワーク(GNN)の方が優れていると一般的に信じられている。 しかし、最近の研究は、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ような、非自明なデータセットのセットを特定している。 ヘテロフィリー、すなわち低ホモフィリーは、この経験的観察の主要な原因と考えられている。 人々は、グラフ変換器とその変種を含む、既存のほとんどのグラフモデルを再検討し、様々な種類のグラフ、例えば異種グラフ、時間グラフ、ハイパーグラフの異種シナリオで再評価し始めている。 さらに、グラフ関連の多くの応用がヘテロフィリー問題と密接に関連していることが判明した。 ここ数年、ヘテロフィリ問題の研究と解決に多大な努力が注がれている。 本調査では, ヘテロフィリックグラフ学習の最近の進歩を概観し, ベンチマークデータセットの概説, 合成グラフ上のホモフィリックメトリクスの評価, 最新の教師付きおよび教師なし学習手法の巧妙な分類, ホモフィリ・ヘテロフィリィ理論解析の徹底的な消化, ヘテロフィリ関連アプリケーションの広範な探索などについて概説する。 特に、詳細な実験を通じて、私たちは、ベンチマークヘテロ親和性データセットを、悪性、良性、曖昧なヘテロフィリーの3つのサブカテゴリに分類しました。 悪性および曖昧なデータセットは、ヘテロフィリーチャレンジにおける新しいモデルの有効性をテストするための真の挑戦データセットとして特定される。 最後に,異種グラフ表現学習における課題と今後の方向性を提案する。

関連論文リスト

• Non-Homophilic Graph Pre-Training and Prompt Learning [11.996173149569627]
  本稿では,好ましくないグラフに対する事前学習と迅速な学習の枠組みであるProNoGを提案する。 まず、既存のグラフ事前学習手法を分析し、事前学習タスクの選択に関する理論的知見を提供する。 第2に,各ノードが特異な非ホモフィル性を示すことを認識し,下流タスクにおけるノード固有のパターンを特徴付ける条件付きネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-22T17:57:31Z)
• 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)
• HiGPT: Heterogeneous Graph Language Model [27.390123898556805]
  不均一グラフ学習は、異種グラフ内のエンティティ間の複雑な関係や多様な意味を捉えることを目的としている。 異種グラフ学習のための既存のフレームワークは、多種多様な異種グラフデータセットをまたいだ一般化に制限がある。 異種グラフ命令チューニングパラダイムを用いた一般的なグラフモデルであるHiGPTを提案する。
  論文  参考訳（メタデータ） (2024-02-25T08:07:22Z)
• A Survey on Learning from Graphs with Heterophily: Recent Advances and Future Directions [35.544281678888986]
  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。
  論文  参考訳（メタデータ） (2024-01-18T07:36:38Z)
• 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)
• 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)
• 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)

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。