論文の概要: Addressing Heterogeneity and Heterophily in Graphs: A Heterogeneous Heterophilic Spectral Graph Neural Network

• arxiv url: http://arxiv.org/abs/2410.13373v1
• Date: Thu, 17 Oct 2024 09:23:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-18 13:19:00.102652
• Title: Addressing Heterogeneity and Heterophily in Graphs: A Heterogeneous Heterophilic Spectral Graph Neural Network
• Title（参考訳）: グラフにおける異種性と異種性に対処する:不均一な異種親和性スペクトルグラフニューラルネット
• Authors: Kangkang Lu, Yanhua Yu, Zhiyong Huang, Jia Li, Yuling Wang, Meiyu Liang, Xiting Qin, Yimeng Ren, Tat-Seng Chua, Xidian Wang,
• Abstract要約: 異種不テロ親和性スペクトルグラフニューラルネットワーク(H2SGNN)を提案する。 H2SGNNは、局所独立フィルタリングとグローバルハイブリッドフィルタリングというデュアルモジュールアプローチを採用している。 4つの実世界のデータセットに対する大規模な実証評価は、最先端の手法と比較してH2SGNNの優位性を示している。
• 参考スコア（独自算出の注目度）: 48.05273145974434
• License:
• Abstract: Graph Neural Networks (GNNs) have garnered significant scholarly attention for their powerful capabilities in modeling graph structures. Despite this, two primary challenges persist: heterogeneity and heterophily. Existing studies often address heterogeneous and heterophilic graphs separately, leaving a research gap in the understanding of heterogeneous heterophilic graphs-those that feature diverse node or relation types with dissimilar connected nodes. To address this gap, we investigate the application of spectral graph filters within heterogeneous graphs. Specifically, we propose a Heterogeneous Heterophilic Spectral Graph Neural Network (H2SGNN), which employs a dual-module approach: local independent filtering and global hybrid filtering. The local independent filtering module applies polynomial filters to each subgraph independently to adapt to different homophily, while the global hybrid filtering module captures interactions across different subgraphs. Extensive empirical evaluations on four real-world datasets demonstrate the superiority of H2SGNN compared to state-of-the-art methods.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造をモデル化する強力な能力について、学術的に大きな注目を集めている。 これにもかかわらず、2つの主要な課題は不均一性と不均一性である。 現存する研究は、しばしば異種グラフと異種グラフを別々に扱い、異種グラフの理解における研究ギャップを残している。 このギャップに対処するために、異種グラフにおけるスペクトルグラフフィルタの適用について検討する。 具体的には、局所独立フィルタリングとグローバルハイブリッドフィルタリングという二元加群アプローチを用いて、不均一なヘテロ親水性スペクトルグラフニューラルネットワーク(H2SGNN)を提案する。 局所的な独立フィルタリングモジュールは各サブグラフに独立に多項式フィルタを適用し、異なるホモフィリーに適応する一方、グローバルなハイブリッドフィルタリングモジュールは異なるサブグラフ間の相互作用をキャプチャする。 4つの実世界のデータセットに対する大規模な実証評価は、最先端の手法と比較してH2SGNNの優位性を示している。

関連論文リスト

• Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
  我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。 フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
  論文  参考訳（メタデータ） (2024-11-18T04:57:05Z)
• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  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。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• Node-wise Filtering in Graph Neural Networks: A Mixture of Experts Approach [58.8524608686851]
  グラフニューラルネットワーク(GNN)は、多様なグラフ構造パターンをまたいだノード分類タスクに非常に効果的であることが証明されている。 伝統的に、GNNは均一なグローバルフィルタ(通常、ホモフィルグラフのローパスフィルタとヘテロフィルグラフのハイパスフィルタ)を用いる。 我々は,異なるノードに対する適切なフィルタを適応的に選択するために,専門家の混在を利用した新しいGNNフレームワークNode-MoEを紹介する。
  論文  参考訳（メタデータ） (2024-06-05T17:12:38Z)
• How Universal Polynomial Bases Enhance Spectral Graph Neural Networks: Heterophily, Over-smoothing, and Over-squashing [24.857304431611464]
  スペクトルグラフネットワーク(GNN)はヘテロフィリーグラフの出現率を高めている。 禁止計算を回避するため,多くのフィルタが提案されている。 所望ベクトルのスペクトル特性とヘテロフィリー次数の相関をデミステレーションする。 我々は、グラフのヘテロフィリー次数を反映する基底を相互に形成する、新しい適応的ヘテロフィリー基底を開発する。
  論文  参考訳（メタデータ） (2024-05-21T03:28:45Z)
• Hetero$^2$Net: Heterophily-aware Representation Learning on Heterogenerous Graphs [38.858702539146385]
  We present Hetero$2$Net, a heterophily-aware HGNN that includes both masked metapath prediction and masked label prediction task。 Hetero$2$Netを,ヘテロフィリーのレベルが異なる5つの実世界ヘテロジニアスグラフベンチマークで評価した。
  論文  参考訳（メタデータ） (2023-10-18T02:19:12Z)
• GPatcher: A Simple and Adaptive MLP Model for Alleviating Graph Heterophily [15.93465948768545]
  グラフニューラルネットワーク(GNN)フィルタにおけるグラフヘテロフィリーの影響を解明する。 我々は,パッチ・ミクサーアーキテクチャを利用したGPatcherというシンプルで強力なGNNを提案する。 本モデルでは, ノード分類において, 人気ホモフィリーGNNや最先端ヘテロフィリーGNNと比較して, 優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-25T20:57:35Z)
• Graph Contrastive Learning under Heterophily via Graph Filters [51.46061703680498]
  グラフコントラスト学習(CL)法は,GNNエンコーダを用いて得られる拡張ノード表現の類似性を最大化することにより,ノード表現を自己指導的に学習する。 本研究では,ヘテロフィリー下でのグラフ表現学習に有効なグラフCL法であるHLCLを提案する。 我々の広範な実験により、HLCLはヘテロフィリーのベンチマークデータセットや大規模実世界のグラフで最先端のグラフCL法を最大7%上回り、ヘテロフィリーのデータセットでグラフ教師あり学習法を最大10%上回ります。
  論文  参考訳（メタデータ） (2023-03-11T08:32:39Z)
• Break the Wall Between Homophily and Heterophily for Graph Representation Learning [25.445073413243925]
  ホモフィリーとヘテロフィリーは、2つの連結ノードが同様の性質を持つかどうかを記述するグラフの固有の性質である。 本研究は, グラフ表現学習に不可欠なエゴノード特徴, 集約ノード特徴, グラフ構造特徴を含む3つのグラフ特徴を同定する。 OGNNと呼ばれる新しいGNNモデルを提案し、3つのグラフの特徴を全て抽出し、それらを適応的に融合させ、ホモフィリーのスペクトル全体にわたって一般化する。
  論文  参考訳（メタデータ） (2022-10-08T19:37:03Z)
• 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)
• Beyond Low-Pass Filters: Adaptive Feature Propagation on Graphs [6.018995094882323]
  グラフニューラルネットワーク(GNN)は、グラフ上の予測タスクのために広く研究されている。 ほとんどのGNNは、局所的ホモフィリー、すなわち地域住民の強い類似性を仮定している。 基本となるホモフィリーによって制限されることなく、任意のグラフを扱うことができる柔軟なGNNモデルを提案する。
  論文  参考訳（メタデータ） (2021-03-26T00:35:36Z)

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。