論文の概要: Graph Neural Networks Are More Than Filters: Revisiting and Benchmarking from A Spectral Perspective

• arxiv url: http://arxiv.org/abs/2412.07188v1
• Date: Tue, 10 Dec 2024 04:53:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:38:42.332508
• Title: Graph Neural Networks Are More Than Filters: Revisiting and Benchmarking from A Spectral Perspective
• Title（参考訳）: グラフニューラルネットワークはフィルタ以上のもの:スペクトルの観点からの再検討とベンチマーク
• Authors: Yushun Dong, Patrick Soga, Yinhan He, Song Wang, Jundong Li,
• Abstract要約: グラフニューラルネットワーク(GNN)は、様々なグラフベースの学習タスクにおいて顕著な成功を収めている。 近年の研究では、非線形層などの他のコンポーネントが、GNNがスペクトル領域の入力グラフデータをどのように処理するかに大きく影響する可能性が示唆されている。 本稿では、入力グラフデータの異なる周波数成分に符号化された情報を捕捉し、活用する際のGNNの能力を評価するための総合的なベンチマークを提案する。
• 参考スコア（独自算出の注目度）: 49.613774305350084
• License:
• Abstract: Graph Neural Networks (GNNs) have achieved remarkable success in various graph-based learning tasks. While their performance is often attributed to the powerful neighborhood aggregation mechanism, recent studies suggest that other components such as non-linear layers may also significantly affecting how GNNs process the input graph data in the spectral domain. Such evidence challenges the prevalent opinion that neighborhood aggregation mechanisms dominate the behavioral characteristics of GNNs in the spectral domain. To demystify such a conflict, this paper introduces a comprehensive benchmark to measure and evaluate GNNs' capability in capturing and leveraging the information encoded in different frequency components of the input graph data. Specifically, we first conduct an exploratory study demonstrating that GNNs can flexibly yield outputs with diverse frequency components even when certain frequencies are absent or filtered out from the input graph data. We then formulate a novel research problem of measuring and benchmarking the performance of GNNs from a spectral perspective. To take an initial step towards a comprehensive benchmark, we design an evaluation protocol supported by comprehensive theoretical analysis. Finally, we introduce a comprehensive benchmark on real-world datasets, revealing insights that challenge prevalent opinions from a spectral perspective. We believe that our findings will open new avenues for future advancements in this area. Our implementations can be found at: https://github.com/yushundong/Spectral-benchmark.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、様々なグラフベースの学習タスクにおいて顕著な成功を収めている。 それらの性能は、しばしば強力な近傍集約機構に起因するが、最近の研究では、非線形層のような他のコンポーネントがスペクトル領域におけるGNNの入力グラフデータの処理方法に大きな影響を及ぼす可能性が示唆されている。 このような証拠は、近傍の凝集機構がスペクトル領域におけるGNNの挙動特性を支配しているという一般的な意見に疑問を呈している。 このような矛盾を補うために,入力グラフデータの異なる周波数成分に符号化された情報を捕捉・活用するGNNの能力を評価・評価するための総合的なベンチマークを提案する。 具体的には、入力グラフデータから特定の周波数が欠落したりフィルタリングされたりしても、GNNが様々な周波数成分で柔軟に出力できることを示す探索的研究を行う。 次に、スペクトルの観点からGNNの性能を測定し、ベンチマークする新しい研究問題を定式化する。 包括的ベンチマークに向けた最初のステップとして、包括的理論解析によって支持される評価プロトコルを設計する。 最後に、実世界のデータセットに関する包括的なベンチマークを導入し、スペクトルの観点から一般的な意見に挑戦する洞察を明らかにします。 この分野での今後の進歩に向けて新たな道を開くと信じている。 私たちの実装は、https://github.com/yushundong/Spectral-benchmark.comで確認できます。

関連論文リスト

• Benchmarking Spectral Graph Neural Networks: A Comprehensive Study on Effectiveness and Efficiency [20.518170371888075]
  周波数パースペクティブに着目したスペクトルGNNを広範囲にベンチマークする。 我々はこれらのスペクトルモデルを、グラフ計算と効率的なトレーニングスキームを備えた統合されたフレームワークで実装する。 我々の実装は、同等の性能とオーバーヘッドの少ない大きなグラフ上でのアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2024-06-14T02:56:57Z)
• A Manifold Perspective on the Statistical Generalization of Graph Neural Networks [84.01980526069075]
  我々は、スペクトル領域の多様体からサンプリングされたグラフ上のGNNの統計的一般化理論を確立するために多様体の視点を取る。 我々はGNNの一般化境界が対数スケールのグラフのサイズとともに線形に減少し、フィルタ関数のスペクトル連続定数とともに線形的に増加することを証明した。
  論文  参考訳（メタデータ） (2024-06-07T19:25:02Z)
• NoisyGL: A Comprehensive Benchmark for Graph Neural Networks under Label Noise [21.65452861777135]
  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機構を通じてノード分類タスクにおいて強力なポテンシャルを示す。 ラベルノイズは実世界のグラフデータによく見られ、トレーニング中に誤った情報を伝播することでGNNに悪影響を及ぼす。 ラベルノイズ下でのグラフニューラルネットワークの総合ベンチマークであるNoisyGLを紹介する。
  論文  参考訳（メタデータ） (2024-06-06T17:45:00Z)
• 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)
• A Survey on Spectral Graph Neural Networks [42.469584005389414]
  本稿では,モデル,理論,応用を含むスペクトルGNNの最近の展開を要約する。 まず、空間GNNとスペクトルGNNの関連性について検討し、スペクトルGNNがグローバルな情報を捕捉し、より理解しやすいことを示す。 さらに、スペクトルGNNの主要な理論的結果と応用をレビューし、その後、人気のあるスペクトルGNNをベンチマークするための定量的実験を行った。
  論文  参考訳（メタデータ） (2023-02-11T09:16:46Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• 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)
• When Does A Spectral Graph Neural Network Fail in Node Classification? [10.177243505636692]
  本稿では,スペクトルGNNの性能に関する理論的解析を行い,その予測誤差について検討する。 ラベル差に対する応答効率の低いグラフフィルタは失敗しがちであることを示す。
  論文  参考訳（メタデータ） (2022-02-16T07:18:17Z)
• Graph Feature Gating Networks [31.20878472589719]
  本稿では,グラフ信号の雑音化問題に基づく一般グラフ特徴ゲーティングネットワーク(gfgn)を提案する。 また、GFGNの下で3つのグラフフィルターを導入し、機能寸法から異なるレベルのコントリビューションを可能にします。
  論文  参考訳（メタデータ） (2021-05-10T16:33:58Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)

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。