論文の概要: Revisiting Graph Homophily Measures

• arxiv url: http://arxiv.org/abs/2412.09663v1
• Date: Thu, 12 Dec 2024 14:54:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:01:30.129300
• Title: Revisiting Graph Homophily Measures
• Title（参考訳）: グラフホモフィリー対策の再検討
• Authors: Mikhail Mironov, Liudmila Prokhorenkova,
• Abstract要約: ホモフィリー(英: Homophily)は、同様のノードを接続するエッジの傾向を記述するグラフ特性である。 グラフホモフィリーに関する以前の研究は、よいホモフィリー測度に望ましいいくつかの性質を示唆していた。 本稿は、新しいホモフィリー測度、アンバイアスドホモフィリーを導入する。
• 参考スコア（独自算出の注目度）: 18.497863598167257
• License:
• Abstract: Homophily is a graph property describing the tendency of edges to connect similar nodes. There are several measures used for assessing homophily but all are known to have certain drawbacks: in particular, they cannot be reliably used for comparing datasets with varying numbers of classes and class size balance. To show this, previous works on graph homophily suggested several properties desirable for a good homophily measure, also noting that no existing homophily measure has all these properties. Our paper addresses this issue by introducing a new homophily measure - unbiased homophily - that has all the desirable properties and thus can be reliably used across datasets with different label distributions. The proposed measure is suitable for undirected (and possibly weighted) graphs. We show both theoretically and via empirical examples that the existing homophily measures have serious drawbacks while unbiased homophily has a desirable behavior for the considered scenarios. Finally, when it comes to directed graphs, we prove that some desirable properties contradict each other and thus a measure satisfying all of them cannot exist.
• Abstract（参考訳）: ホモフィリー(英: Homophily)は、同様のノードを接続するエッジの傾向を記述するグラフ特性である。 ホモフィリーを評価するために用いられる指標はいくつかあるが、すべて一定の欠点があることが知られている。 これを示すために、グラフホモフィリーに関する以前の研究は、良いホモフィリー測度に望ましいいくつかの性質を示唆し、また、既存のホモフィリー測度がこれらすべての性質を持つことはないことを指摘した。 本稿は,全ての望ましい特性を持つ新しいホモフィリー測度(偏りのないホモフィリー)を導入することでこの問題に対処し,異なるラベル分布を持つデータセット間で確実に使用できることを示す。 提案された測度は、無向グラフ(およびおそらく重み付きグラフ)に適している。 既往のホモフィリ測度が深刻な欠点を持つ一方、偏見のないホモフィリ測度は考慮されたシナリオに対して望ましい振る舞いを示す。 最後に、有向グラフに関して、いくつかの望ましい性質が互いに矛盾していることを証明するため、それら全てを満たす測度は存在しない。

関連論文リスト

• 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)
• What Is Missing In Homophily? Disentangling Graph Homophily For Graph Neural Networks [3.1227658238819855]
  グラフホモフィリー(Graph homophily)は、連結ノードが同様の特性を共有する傾向にある現象を指す。 エッジやノードのホモフィリーのような最も広く使われているホモフィリー計量は、そのような「類似性」を定量化する。 グラフニューラルネットワーク(GNN)のホモフィリな影響はいまだに不明で議論の余地がある。
  論文  参考訳（メタデータ） (2024-06-27T02:48:33Z)
• Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
  異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。 我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。 その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:26:53Z)
• Provable Filter for Real-world Graph Clustering [11.7278692671308]
  実用的なグラフを扱うための原則的な方法が緊急に必要である。 我々は、それぞれ高度にホモ親和性とヘテロ親和性を持つ2つのグラフを構築する。 我々は、ホモフィルグラフとヘテロフィルグラフの両方に関する広範な実験を通して、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2024-03-06T12:37:49Z)
• Finding the Missing-half: Graph Complementary Learning for Homophily-prone and Heterophily-prone Graphs [48.79929516665371]
  ホモフィリーなエッジを持つグラフは、同じクラスでノードを接続する傾向がある。 ヘテロフィ的傾向のあるエッジは、異なるクラスを持つノード間の関係を構築する傾向がある。 既存のGNNはトレーニング中にオリジナルのグラフのみを取る。
  論文  参考訳（メタデータ） (2023-06-13T08:06:10Z)
• Single-Pass Contrastive Learning Can Work for Both Homophilic and Heterophilic Graph [60.28340453547902]
  グラフコントラッシブ・ラーニング(GCL)技術は通常、コントラッシブ・ロスを構築するために単一のインスタンスに対して2つのフォワードパスを必要とする。 既存のGCLアプローチは、強力なパフォーマンス保証を提供していない。 我々はSingle-Pass Graph Contrastive Learning法(SP-GCL)を実装した。 経験的に、SP-GCLが学んだ機能は、計算オーバーヘッドを著しく少なくして、既存の強いベースラインにマッチまたは性能を向上することができる。
  論文  参考訳（メタデータ） (2022-11-20T07:18:56Z)
• Characterizing Graph Datasets for Node Classification: Homophily-Heterophily Dichotomy and Beyond [36.5554915218563]
  ホモフィリー(英: Homophily)は、類似したノードを接続するエッジの傾向を記述するグラフ特性である。 文学において、ホモフィリーの普遍的に合意された尺度は存在しない。 一般的に使用されるホモフィリー測度は、異なるデータセット間でのホモフィリーレベルの比較を防止するために、重大な欠点があることが示される。
  論文  参考訳（メタデータ） (2022-09-13T17:28:25Z)
• 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)
• New Benchmarks for Learning on Non-Homophilous Graphs [20.082182515715182]
  ホモフィリー原理を満たさないノードラベル関係を持つ改良されたグラフデータセットを多数提示する。 我々はまた、異なる体制における既存の措置よりも適しているホモフィリーの存在または不在の新しい尺度を紹介します。
  論文  参考訳（メタデータ） (2021-04-03T13:45:06Z)

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。