論文の概要: HeRB: Heterophily-Resolved Structure Balancer for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2504.17276v1
• Date: Thu, 24 Apr 2025 06:04:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.265898
• Title: HeRB: Heterophily-Resolved Structure Balancer for Graph Neural Networks
• Title（参考訳）: HeRB: グラフニューラルネットワークのためのヘテロピー分解構造バランサ
• Authors: Ke-Jia Chen, Wenhui Mu, Zheng Liu,
• Abstract要約: グラフニューラルネットワーク(GNN)のためのヘテロフィリー分解構造バランサ(HeRB) HeRBは,1) クラス間エッジの低減とクラス間エッジの増大を支援するヘテロフィリレス増強モジュール,2) ヘッドノードからテールノードへホモフィリクス情報を伝達するホモフィリティックな知識伝達機構の2つの革新的コンポーネントから構成される。 実験の結果, HeRBは2つのホモ親和性および6つのヘテロ親和性ベンチマークデータセットにおいて優れた性能を示すことが示された。
• 参考スコア（独自算出の注目度）: 3.6560264185068916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent research has witnessed the remarkable progress of Graph Neural Networks (GNNs) in the realm of graph data representation. However, GNNs still encounter the challenge of structural imbalance. Prior solutions to this problem did not take graph heterophily into account, namely that connected nodes process distinct labels or features, thus resulting in a deficiency in effectiveness. Upon verifying the impact of heterophily on solving the structural imbalance problem, we propose to rectify the heterophily first and then transfer homophilic knowledge. To the end, we devise a method named HeRB (Heterophily-Resolved Structure Balancer) for GNNs. HeRB consists of two innovative components: 1) A heterophily-lessening augmentation module which serves to reduce inter-class edges and increase intra-class edges; 2) A homophilic knowledge transfer mechanism to convey homophilic information from head nodes to tail nodes. Experimental results demonstrate that HeRB achieves superior performance on two homophilic and six heterophilic benchmark datasets, and the ablation studies further validate the efficacy of two proposed components.
• Abstract（参考訳）: 最近の研究はグラフデータ表現の領域におけるグラフニューラルネットワーク(GNN)の顕著な進歩を目撃している。 しかし、GNNは依然として構造的不均衡の課題に直面している。 この問題に対する以前の解決策は、グラフを不均一に考慮しなかった、すなわち、連結ノードが異なるラベルや特徴を処理し、結果として効果の欠如を招いた。 構造的不均衡問題の解決にヘテロフィリーが与える影響を検証するために, ヘテロフィリーをまず修正し, ホモフィリックな知識を伝達することを提案する。 最後に,GNN のための HeRB (Heterophily-Resolved Structure Balancer) という手法を考案した。 HeRBは2つの革新的なコンポーネントから構成される。 1) クラス間縁を減らし、クラス内縁を増すのに役立つヘテロフィリレス増強モジュール 2) ヘッドノードからテールノードへホモフレンドリな情報を伝達するホモフレンドリな知識伝達機構。 実験により, HeRBは2つのホモ親和性および6つのヘテロ親和性ベンチマークデータセットにおいて優れた性能を示し, アブレーション実験により, 提案した2つの成分の有効性がさらに検証された。

関連論文リスト

• THeGCN: Temporal Heterophilic Graph Convolutional Network [51.25112923442657]
  本研究では,時間的ヘテロフィルグラフ畳み込みネットワーク(THeGCN)を提案し,両端(空間)ヘテロフィリーと時間的ヘテロフィリーを正確に捉える。 THeGCNモデルは2つの重要なコンポーネントで構成されている。 5つの実世界のデータセットで実施された大規模な実験により、THeGCNの有効性が検証された。
  論文  参考訳（メタデータ） (2024-12-21T01:52:03Z)
• Redesigning graph filter-based GNNs to relax the homophily assumption [31.368672838207022]
  グラフニューラルネットワーク(GNN)は、不規則なドメイン上で定義されたデータから学習するためのワークホースアプローチとなっている。 ホモフィリー仮定の限界を緩和するために設計された,単純で効果的なアーキテクチャを提案する。 提案したアーキテクチャは、畳み込みGNNにおけるグラフフィルタの役割を再解釈し、より一般的なアーキテクチャとなる。
  論文  参考訳（メタデータ） (2024-09-13T09:43:36Z)
• 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)
• Heterophilous Distribution Propagation for Graph Neural Networks [23.897535976924722]
  グラフニューラルネットワークのための異種分布伝播(HDP)を提案する。 すべての近隣から情報を集約する代わりに、HDPは隣人をホモ親和性および不テロ親和性の部分に適応的に分離する。 我々は、異なるレベルのホモフィリーを持つ9つのベンチマークデータセットに対して広範な実験を行う。
  論文  参考訳（メタデータ） (2024-05-31T06:40:56Z)
• Refining Latent Homophilic Structures over Heterophilic Graphs for Robust Graph Convolution Networks [23.61142321685077]
  グラフ畳み込みネットワーク(GCN)は、空間データから知識を抽出するために様々なグラフタスクで広く利用されている。 本研究は,ノード分類のための全表現不均一グラフ上のGCNロバスト性について定量的に検討する先駆的な試みである。 ヘテロ親和性グラフ上の潜在ホモ親和性構造を自動的に学習し,GCNを硬化させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-12-27T05:35:14Z)
• Demystifying Structural Disparity in Graph Neural Networks: Can One Size Fit All? [61.35457647107439]
  ほとんどの実世界のホモフィルグラフとヘテロフィルグラフは、ホモフィルグラフとヘテロフィルグラフの両方の構造パターンの混合ノードから構成される。 ノード分類におけるグラフニューラルネットワーク (GNN) は, 一般にホモ親和性ノード上で良好に機能することを示す。 次に、GNNに対する厳密で非I.d PAC-Bayesian一般化を提案し、性能格差の理由を明らかにした。
  論文  参考訳（メタデータ） (2023-06-02T07:46:20Z)
• Heterophily-Aware Graph Attention Network [42.640057865981156]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。 既存のヘテロフィル性GNNは、各エッジのヘテロフィリのモデリングを無視する傾向にあり、これはヘテロフィリ問題に取り組む上でも不可欠である。 本稿では,局所分布を基礎となるヘテロフィリーとして完全に探索し,活用することで,新たなヘテロフィア対応グラフ注意ネットワーク(HA-GAT)を提案する。
  論文  参考訳（メタデータ） (2023-02-07T03:21:55Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Restructuring Graph for Higher Homophily via Adaptive Spectral Clustering [7.223313563198697]
  グラフ再構成手法は, 好ましくないグラフに対して, 6つの古典的GNNの性能を平均25%向上させることができることを示す。 強化されたパフォーマンスは最先端のメソッドに匹敵する。
  論文  参考訳（メタデータ） (2022-06-06T06:38:53Z)
• 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)
• 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)
• Two Sides of the Same Coin: Heterophily and Oversmoothing in Graph Convolutional Neural Networks [33.25212467404069]
  理論的にはヘテロフィリーと過平滑化の関係を特徴づける。 我々は、署名メッセージと学習度補正を組み込むことで、隣人の特徴と度合いの相違に対処するモデルを設計する。 9つの実ネットワークに関する実験により,本モデルがヘテロフィリー条件下での最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-02-12T11:52:34Z)

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。