論文の概要: GNNs Getting ComFy: Community and Feature Similarity Guided Rewiring

• arxiv url: http://arxiv.org/abs/2502.04891v1
• Date: Fri, 07 Feb 2025 12:56:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:57:33.607151
• Title: GNNs Getting ComFy: Community and Feature Similarity Guided Rewiring
• Title（参考訳）: GNNがComFyに:コミュニティと機能の類似性に関するガイド
• Authors: Celia Rubio-Madrigal, Adarsh Jamadandi, Rebekka Burkholz,
• Abstract要約: ブロックモデルのコンテキスト内でグラフニューラルネットワーク(GNN)がいかに有用かを示す。 本稿では,コミュニティ構造,ノードラベル,アライメントを明示的に対象とする3つの異なるリライト戦略を提案する。
• 参考スコア（独自算出の注目度）: 14.947660746690614
• License:
• Abstract: Maximizing the spectral gap through graph rewiring has been proposed to enhance the performance of message-passing graph neural networks (GNNs) by addressing over-squashing. However, as we show, minimizing the spectral gap can also improve generalization. To explain this, we analyze how rewiring can benefit GNNs within the context of stochastic block models. Since spectral gap optimization primarily influences community strength, it improves performance when the community structure aligns with node labels. Building on this insight, we propose three distinct rewiring strategies that explicitly target community structure, node labels, and their alignment: (a) community structure-based rewiring (ComMa), a more computationally efficient alternative to spectral gap optimization that achieves similar goals; (b) feature similarity-based rewiring (FeaSt), which focuses on maximizing global homophily; and (c) a hybrid approach (ComFy), which enhances local feature similarity while preserving community structure to optimize label-community alignment. Extensive experiments confirm the effectiveness of these strategies and support our theoretical insights.
• Abstract（参考訳）: オーバーカッシングに対処することで、メッセージパスグラフニューラルネットワーク(GNN)の性能を高めるために、グラフ再配線によるスペクトルギャップの最大化が提案されている。 しかし, スペクトルギャップの最小化は, 一般化の促進にも寄与する。 これを説明するために,確率ブロックモデルにおいて,再配線がGNNにどのようなメリットをもたらすかを分析する。 スペクトルギャップの最適化は主にコミュニティの強度に影響を与えるため、コミュニティ構造とノードラベルの整合性が向上する。 この知見に基づいて、コミュニティ構造、ノードラベル、およびそれらのアライメントを明示的に対象とする3つの異なる変更戦略を提案する。 (a)コミュニティ構造に基づくリワイアリング(ComMa)は、類似の目標を達成するスペクトルギャップ最適化のより効率的な代替手段である。 (b)大域的ホモフィリーの最大化に焦点を当てた特徴類似性に基づく再配線(FeaSt) (c)コミュニティ・コミュニティ・アライメントを最適化するコミュニティ構造を維持しつつ,地域特徴の類似性を高めるハイブリッド・アプローチ(ComFy)。 大規模な実験によってこれらの戦略の有効性が確認され、理論的な洞察が得られた。

関連論文リスト

• AdaRC: Mitigating Graph Structure Shifts during Test-Time [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 AdaRCは,グラフの構造シフトに効果的かつ効率的な適応を意図した,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Synergistic Deep Graph Clustering Network [14.569867830074292]
  我々はSynC(Syngistic Deep Graph Clustering Network)というグラフクラスタリングフレームワークを提案する。 本稿では,構造拡張を導くための高品質な埋め込みを実現するために,TIGAE (Transform Input Graph Auto-Encoder) を設計する。 特に、表現学習と構造増強は重みを共有し、モデルパラメータの数を著しく減少させる。
  論文  参考訳（メタデータ） (2024-06-22T09:40:34Z)
• Learning Invariant Representations of Graph Neural Networks via Cluster Generalization [58.68231635082891]
  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モデリングでますます人気が高まっている。 本稿では,構造変化が発生した場合,GNNの性能が著しく低下することが実験的に確認された。 本稿では,GNNの不変表現を学習するクラスタ情報伝達(CIT)機構を提案する。
  論文  参考訳（メタデータ） (2024-03-06T10:36:56Z)
• SE-GSL: A General and Effective Graph Structure Learning Framework through Structural Entropy Optimization [67.28453445927825]
  グラフニューラルネットワーク(GNN)は、構造的データ学習のデファクトソリューションである。 既存のグラフ構造学習(GSL)フレームワークには、堅牢性と解釈性がない。 本稿では、構造エントロピーと符号化木に抽象化されたグラフ階層を通して、一般的なGSLフレームワークSE-GSLを提案する。
  論文  参考訳（メタデータ） (2023-03-17T05:20:24Z)
• Neural Structured Prediction for Inductive Node Classification [29.908759584092167]
  本稿では,ラベル付き学習グラフのモデルを学習し,未ラベルの試験グラフ上でノードラベルを推論するために一般化することを目的とした,帰納的環境におけるノード分類について検討する。 本稿では,両者の利点を組み合わせたSPN(Structured Proxy Network)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-15T15:50:27Z)
• Interpreting and Unifying Graph Neural Networks with An Optimization Framework [47.44773358082203]
  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学習に大きな注目を集めている。 本稿では,異なる伝搬機構と統一最適化問題との驚くほどの関連性を確立する。 提案する統一最適化フレームワークは,いくつかの代表的GNN間の共通性を要約し,柔軟に新しいGNNを設計する新たな機会を開く。
  論文  参考訳（メタデータ） (2021-01-28T08:06:02Z)
• Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
  グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。 グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。 本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
  論文  参考訳（メタデータ） (2020-11-19T04:18:01Z)
• On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
  本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。 また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
  論文  参考訳（メタデータ） (2020-09-15T00:16:12Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)

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。