Fugu-MT 論文翻訳(概要): DiRW: Path-Aware Digraph Learning for Heterophily

論文の概要: DiRW: Path-Aware Digraph Learning for Heterophily

arxiv url: http://arxiv.org/abs/2410.10320v2
Date: Thu, 14 Aug 2025 12:21:06 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-15 22:24:47.990665
Title: DiRW: Path-Aware Digraph Learning for Heterophily
Title（参考訳）: DiRW:異所性学習のためのパス認識ダイグラフ学習
Authors: Daohan Su, Xunkai Li, Zhenjun Li, Yinping Liao, Rong-Hua Li, Guoren Wang,
Abstract要約: グラフニューラルネットワーク(GNN)は、グラフ構造化データのための強力な表現学習ツールとして登場した。 DiRWは、ほとんどの空間ベースのDiGNNのためのプラグアンドプレイ戦略であり、新しいダイグラフ学習パラダイムを提供する革新的なモデルである。 9つのデータセットの実験から,(1)プラグアンドプレイ戦略としての空間的手法,(2)新しいディグラフ学習パラダイムとしてのSOTA性能,の2つが示された。
参考スコア（独自算出の注目度）: 23.498557237805414
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Recently, graph neural network (GNN) has emerged as a powerful representation learning tool for graph-structured data. However, most approaches are tailored for undirected graphs, neglecting the abundant information in the edges of directed graphs (digraphs). In fact, digraphs are widely applied in the real world and confirmed to address heterophily challenges. Despite recent advancements, existing spatial- and spectral-based DiGNNs have limitations due to their complex learning mechanisms and reliance on high-quality topology, resulting in low efficiency and unstable performance. To address these issues, we propose Directed Random Walk (DiRW), a plug-and-play strategy for most spatial-based DiGNNs and also an innovative model which offers a new digraph learning paradigm. Specifically, it utilizes a direction-aware path sampler optimized from the perspectives of walk probability, length, and number in a weight-free manner by considering node profiles and topologies. Building upon this, DiRW incorporates a node-wise learnable path aggregator for generalized node representations. Extensive experiments on 9 datasets demonstrate that DiRW: (1) enhances most spatial-based methods as a plug-and-play strategy; (2) achieves SOTA performance as a new digraph learning paradigm. The source code and data are available at https://github.com/dhsiuu/DiRW.
Abstract（参考訳）: 近年,グラフ構造化データの表現学習ツールとしてグラフニューラルネットワーク(GNN)が登場している。しかし、ほとんどのアプローチは無向グラフ用に調整されており、有向グラフ(グラフ)の辺にある豊富な情報を無視する。実際、ダイグラフは現実世界で広く適用されており、異種問題に対処することが確認されている。近年の進歩にもかかわらず、既存の空間およびスペクトルベースのDiGNNは、その複雑な学習機構と高品質なトポロジに依存するため制限があり、効率が低く不安定な性能をもたらす。これらの問題に対処するために、ほとんどの空間ベースDIGNNのためのプラグ・アンド・プレイ戦略であるDirected Random Walk (DiRW)を提案し、また新しいダイグラフ学習パラダイムを提供する革新的なモデルを提案する。具体的には、ノードプロファイルやトポロジを考慮し、歩行確率、長さ、および数の観点から最適化された方向認識パスサンプリングを使用する。これに基づいて、DiRWは一般化されたノード表現のためのノード対応の学習可能なパスアグリゲータを組み込む。 9つのデータセットに対する大規模な実験により、(1)プラグ・アンド・プレイ戦略としてほとんどの空間的手法を強化し、(2)新たなダイグラフ学習パラダイムとしてSOTA性能を達成することが示されている。ソースコードとデータはhttps://github.com/dhsiuu/DiRW.comで公開されている。

関連論文リスト

Self-supervised Subgraph Neural Network With Deep Reinforcement Walk Exploration [13.489730726871421]
グラフデータは、化合物、タンパク質構造、ソーシャルネットワークのような複雑な現実世界の現象を表す。従来のグラフニューラルネットワーク(GNN)は、主にメッセージパッシング機構を使用しているが、その表現力は限られており、その予測には説明性がない。サブグラフニューラルネットワーク(SGNN)とGNN説明器が潜在的な解決策として登場したが、それぞれに制限がある。我々は、SGNNとGNN説明器の生成アプローチを統合する新しいフレームワークを提案し、Reinforcement Walk Exploration SGNN (RWE-SGNN) と名付けた。
論文参考訳（メタデータ） (2025-02-03T20:40:33Z)
DeltaGNN: Graph Neural Network with Information Flow Control [5.563171090433323]
グラフニューラルネットワーク(GNN)は、メッセージパッシングプロセスの近傍集約を通じてグラフ構造化データを処理するように設計されている。メッセージパッシングにより、GNNは短距離空間的相互作用を理解できるだけでなく、過度なスムーシングや過度なスカッシングに悩まされる。本稿では,線形計算オーバーヘッドを伴うオーバー・スムーシングとオーバー・スキャッシングに対処するための,emph情報フロー制御機構を提案する。さまざまなサイズ、トポロジ、密度、ホモフィリック比のグラフを含む10の実世界のデータセットを対象に、我々のモデルをベンチマークし、優れたパフォーマンスを示す。
論文参考訳（メタデータ） (2025-01-10T14:34:20Z)
GTAGCN: Generalized Topology Adaptive Graph Convolutional Networks [5.166599023304314]
一般化集約ネットワークとトポロジ適応グラフ畳み込みネットワークという2つの確立された手法に基づくハイブリッドアプローチを導出する。結果は、文献の結果と同等であり、グラフ構造が探索されていないシーケンスデータとして手書きのストロークの方が優れている。
論文参考訳（メタデータ） (2024-03-22T10:02:13Z)
A GAN Approach for Node Embedding in Heterogeneous Graphs Using Subgraph Sampling [33.50085646298074]
本稿では,グラフニューラルネットワーク (GNN) とGAN (Generative Adrial Network) を組み合わせた新しいフレームワークを提案する。このフレームワークには高度なエッジ生成と選択モジュールが含まれており、合成ノードとエッジを同時に生成することができる。
論文参考訳（メタデータ） (2023-12-11T16:52:20Z)
Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文参考訳（メタデータ） (2023-10-23T01:25:44Z)
Learning How to Propagate Messages in Graph Neural Networks [55.2083896686782]
本稿では,グラフニューラルネットワーク(GNN)におけるメッセージ伝搬戦略の学習問題について検討する。本稿では,GNNパラメータの最大類似度推定を支援するために,最適伝搬ステップを潜時変数として導入する。提案フレームワークは,GNNにおけるメッセージのパーソナライズおよび解釈可能な伝達戦略を効果的に学習することができる。
論文参考訳（メタデータ） (2023-10-01T15:09:59Z)
Ordered Subgraph Aggregation Networks [19.18478955240166]
グラフ強化グラフニューラルネットワーク(GNN)が登場し、標準(メッセージパス)GNNの表現力を確実に向上させている。本稿では, 理論的枠組みを導入し, サブグラフ強化GNNの表現性を拡張した。部分グラフサイズの増加は常に表現力を高め、それらの制限をよりよく理解することを示します。
論文参考訳（メタデータ） (2022-06-22T15:19:34Z)
ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文参考訳（メタデータ） (2021-10-15T07:18:57Z)
Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
論文参考訳（メタデータ） (2021-04-04T23:31:39Z)
Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文参考訳（メタデータ） (2020-10-06T01:20:27Z)
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)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。