Fugu-MT 論文翻訳(概要): On the Impact of Feature Heterophily on Link Prediction with Graph Neural Networks

論文の概要: On the Impact of Feature Heterophily on Link Prediction with Graph Neural Networks

arxiv url: http://arxiv.org/abs/2409.17475v1
Date: Thu, 26 Sep 2024 02:19:48 GMT
ステータス: 処理完了
システム内更新日: 2024-09-28 23:28:14.024825
Title: On the Impact of Feature Heterophily on Link Prediction with Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークを用いたリンク予測における特徴ヘテロフォリーの影響について
Authors: Jiong Zhu, Gaotang Li, Yao-An Yang, Jing Zhu, Xuehao Cui, Danai Koutra,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 12.26334940017605
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Heterophily, or the tendency of connected nodes in networks to have different class labels or dissimilar features, has been identified as challenging for many Graph Neural Network (GNN) models. While the challenges of applying GNNs for node classification when class labels display strong heterophily are well understood, it is unclear how heterophily affects GNN performance in other important graph learning tasks where class labels are not available. In this work, we focus on the link prediction task and systematically analyze the impact of heterophily in node features on GNN performance. Theoretically, we first introduce formal definitions of homophilic and heterophilic link prediction tasks, and present a theoretical framework that highlights the different optimizations needed for the respective tasks. We then analyze how different link prediction encoders and decoders adapt to varying levels of feature homophily and introduce designs for improved performance. Our empirical analysis on a variety of synthetic and real-world datasets confirms our theoretical insights and highlights the importance of adopting learnable decoders and GNN encoders with ego- and neighbor-embedding separation in message passing for link prediction tasks beyond homophily.
Abstract（参考訳）: 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)モデルでは困難であると認識されている。クラスラベルが強いヘテロフィリーを示す場合のノード分類にGNNを適用するという課題はよく理解されているが、クラスラベルが利用できない他の重要なグラフ学習タスクにおいて、GNNのパフォーマンスにヘテロフィリーがどのような影響を及ぼすかは定かではない。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。理論的には、まず、同好性および異好性リンク予測タスクの形式的定義を導入し、各タスクに必要な最適化の違いを強調する理論的枠組みを提案する。次に、異なるリンク予測エンコーダとデコーダの相同性にどのように適応するかを分析し、性能改善のための設計を導入する。種々の合成および実世界のデータセットに関する実証分析は、我々の理論的知見を裏付け、ホモフィリーを超えたリンク予測タスクのためのメッセージパッシングにおいて、egoおよびbebedding分離を伴う学習可能なデコーダとGNNエンコーダを採用することの重要性を強調している。

関連論文リスト

Hyperbolic Benchmarking Unveils Network Topology-Feature Relationship in GNN Performance [0.5416466085090772]
グラフ機械学習のための総合的なベンチマークフレームワークを導入する。我々は,現実的なトポロジ特性とノード特徴ベクトルを持つ合成ネットワークを生成する。その結果,ネットワーク構造とノード特徴間の相互作用にモデル性能が依存していることが明らかになった。
論文参考訳（メタデータ） (2024-06-04T20:40:06Z)
Learn from Heterophily: Heterophilous Information-enhanced Graph Neural Network [4.078409998614025]
論理的に異なるラベルを持つノードは意味論的意味に基づいて接続される傾向があるが、グラフニューラルネットワーク(GNN)は、しばしば最適以下の性能を示す。ヘテロフィリーに固有の意味情報をグラフ学習において効果的に活用できることを示す。ノード分布を利用して異種情報を統合する新しいグラフ構造を構築する革新的な手法であるHiGNNを提案する。
論文参考訳（メタデータ） (2024-03-26T03:29:42Z)
Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
論文参考訳（メタデータ） (2023-09-26T13:09:43Z)
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)
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)
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)
Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs [28.77753005139331]
半教師付きノード分類タスクにおけるグラフニューラルネットワークのヘテロフィリーまたは低ホモフィリー下での表現力について検討する。多くの人気のあるGNNは、この設定を一般化することができず、グラフ構造を無視したモデルよりも優れています。ヘテロフィリーの下でのグラフ構造からの学習を促進する重要な設計の集合を同定する。
論文参考訳（メタデータ） (2020-06-20T02:05:01Z)
Adaptive Universal Generalized PageRank Graph Neural Network [36.850433364139924]
グラフニューラルネットワーク(GNN)は、両方の証拠源を利用するように設計されている。本稿では,GPR重みを適応的に学習する汎用PageRank (GPR) GNNアーキテクチャを提案する。 GPR-GNNは、合成データとベンチマークデータの両方の既存の技術と比較して、大幅な性能改善を提供する。
論文参考訳（メタデータ） (2020-06-14T19:27:39Z)

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。