論文の概要: Addressing Graph Heterogeneity and Heterophily from A Spectral Perspective

• arxiv url: http://arxiv.org/abs/2410.13373v2
• Date: Fri, 11 Apr 2025 14:55:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:15:31.054667
• Title: Addressing Graph Heterogeneity and Heterophily from A Spectral Perspective
• Title（参考訳）: スペクトルから見たグラフの不均一性と不均一性
• Authors: Kangkang Lu, Yanhua Yu, Zhiyong Huang, Yunshan Ma, Xiao Wang, Meiyu Liang, Yuling Wang, Yimeng Ren, Tat-Seng Chua,
• Abstract要約: ヘテロジニティ(Heterogeneity)とは、複数の種類のノードやエッジを持つグラフを指すが、ヘテロフィリィ(heterphily)とは、連結ノードが異なる属性やラベルを持つ可能性が高いという事実を指す。 本稿では,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2つのモジュールを用いた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。 提案したH2SGNNの有効性を検証するため,4つのデータセットで大規模な実験を行った。
• 参考スコア（独自算出の注目度）: 46.37860909753809
• License:
• Abstract: Graph neural networks (GNNs) have demonstrated excellent performance in semi-supervised node classification tasks. Despite this, two primary challenges persist: heterogeneity and heterophily. Each of these two challenges can significantly hinder the performance of GNNs. Heterogeneity refers to a graph with multiple types of nodes or edges, while heterophily refers to the fact that connected nodes are more likely to have dissimilar attributes or labels. Although there have been few works studying heterogeneous heterophilic graphs, they either only consider the heterophily of specific meta-paths and lack expressiveness, or have high expressiveness but fail to exploit high-order neighbors. In this paper, we propose a Heterogeneous Heterophilic Spectral Graph Neural Network (H2SGNN), which employs two modules: local independent filtering and global hybrid filtering. Local independent filtering adaptively learns node representations under different homophily, while global hybrid filtering exploits high-order neighbors to learn more possible meta-paths. Extensive experiments are conducted on four datasets to validate the effectiveness of the proposed H2SGNN, which achieves superior performance with fewer parameters and memory consumption. The code is available at the GitHub repo: https://github.com/Lukangkang123/H2SGNN/.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、半教師付きノード分類タスクにおいて優れた性能を示した。 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。 これら2つの課題はいずれも,GNNのパフォーマンスを著しく損なう可能性がある。 ヘテロジニティ(Heterogeneity)とは、複数の種類のノードやエッジを持つグラフを指すが、ヘテロフィリィ(heterphily)とは、連結ノードが異なる属性やラベルを持つ可能性が高いという事実を指す。 不均一な異種グラフを研究する研究は少ないが、それらは特定のメタパスの不均一性や表現力の欠如のみを考慮するか、あるいは高い表現性を持っているが、高次隣人を利用することができない。 本稿では, 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の2つのモジュールを用いた不均一なヘ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。 局所的な独立フィルタリングは、異なるホモフィリーの下でノード表現を適応的に学習する一方、グローバルなハイブリッドフィルタリングは、より可能なメタパスを学習するために、高次隣人を利用する。 提案したH2SGNNの有効性を検証するために,4つのデータセットを用いて大規模な実験を行い,少ないパラメータとメモリ消費で優れた性能を実現する。 コードはGitHubリポジトリ(https://github.com/Lukangkang123/H2SGNN/)で公開されている。

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。