論文の概要: Enhancing Homophily-Heterophily Separation: Relation-Aware Learning in Heterogeneous Graphs

• arxiv url: http://arxiv.org/abs/2506.20980v1
• Date: Thu, 26 Jun 2025 03:54:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.961519
• Title: Enhancing Homophily-Heterophily Separation: Relation-Aware Learning in Heterogeneous Graphs
• Title（参考訳）: ホモフィリー・ヘテロフィリー分離の促進:不均一グラフにおける関係認識学習
• Authors: Ziyu Zheng, Yaming Yang, Ziyu Guan, Wei Zhao, Weigang Lu,
• Abstract要約: 本稿では,新しいコントラスト学習フレームワークであるホモフィリーとヘテロフィリー(RASH)のリレーショナル・アウェア分離を提案する。 RASHは、不均一相互作用の高次セマンティクスを明示的にモデル化し、ホモ親和性パターンとヘテロ親和性パターンを適応的に分離する。 相互情報の最大化により異種・同種・異種・異種・異種・異種視を整合させるマルチリレーション・コントラッシブ・ロスを設計する。
• 参考スコア（独自算出の注目度）: 14.452589880736523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world networks usually have a property of node heterophily, that is, the connected nodes usually have different features or different labels. This heterophily issue has been extensively studied in homogeneous graphs but remains under-explored in heterogeneous graphs, where there are multiple types of nodes and edges. Capturing node heterophily in heterogeneous graphs is very challenging since both node/edge heterogeneity and node heterophily should be carefully taken into consideration. Existing methods typically convert heterogeneous graphs into homogeneous ones to learn node heterophily, which will inevitably lose the potential heterophily conveyed by heterogeneous relations. To bridge this gap, we propose Relation-Aware Separation of Homophily and Heterophily (RASH), a novel contrastive learning framework that explicitly models high-order semantics of heterogeneous interactions and adaptively separates homophilic and heterophilic patterns. Particularly, RASH introduces dual heterogeneous hypergraphs to encode multi-relational bipartite subgraphs and dynamically constructs homophilic graphs and heterophilic graphs based on relation importance. A multi-relation contrastive loss is designed to align heterogeneous and homophilic/heterophilic views by maximizing mutual information. In this way, RASH simultaneously resolves the challenges of heterogeneity and heterophily in heterogeneous graphs. Extensive experiments on benchmark datasets demonstrate the effectiveness of RASH across various downstream tasks. The code is available at: https://github.com/zhengziyu77/RASH.
• Abstract（参考訳）: 実世界のネットワークは通常、ノードヘテロフィリーの性質を持ち、接続されたノードは通常異なる特徴または異なるラベルを持つ。 このヘテロフィリー問題は、同質グラフで広く研究されてきたが、多くの種類のノードとエッジが存在する異質グラフでは未探索のままである。 ノード/エッジのヘテロジニティとノードのヘテロジニティの両方を慎重に考慮する必要があるため、不均一グラフにおけるノードのヘテロジニティの捕獲は非常に困難である。 既存の手法は通常、異種グラフを同種グラフに変換してノードの不均一性を学ぶが、これは必然的に異種関係によって伝達される潜在的な異種グラフを失う。 このギャップを埋めるために,異種相互作用の高次意味論を明示的にモデル化し,同種パターンと異種パターンを適応的に分離する新しいコントラスト学習フレームワークである,ホモフィリーとヘテロフィリーの関係認識分離(RASH)を提案する。 特に、RASHは二重ヘテロジニアスハイパーグラフを導入し、マルチリレーショナル二部グラフを符号化し、関係の重要性に基づいてホモ親和グラフとヘテロ親和グラフを動的に構築する。 相互情報の最大化により、異種・同種・異種・異種・異種・異種視を整合させるマルチリレーション・コントラッシブ・ロスを設計する。 このようにして、RASHは不均一グラフにおける不均一性と不均一性の課題を同時に解決する。 ベンチマークデータセットに対する大規模な実験は、さまざまな下流タスクにおけるRASHの有効性を示している。 コードは、https://github.com/zhengziyu77/RASH.comで入手できる。

関連論文リスト

• Homophily-aware Heterogeneous Graph Contrastive Learning [23.38883104104888]
  我々は,同種ノード表現を学習するために,HGMSと呼ばれる新しい異種グラフコントラスト学習フレームワークを提案する。 具体的には、拡張ビューのホモフィリティーを高めるヘテロジニアスエッジドロップ増強戦略を設計する。 実際に,自己表現行列を解くための2つの手法を開発した。
  論文  参考訳（メタデータ） (2025-01-15T02:56:50Z)
• Addressing Graph Heterogeneity and Heterophily from A Spectral Perspective [46.37860909753809]
  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。
  論文  参考訳（メタデータ） (2024-10-17T09:23:53Z)
• SiMilarity-Enhanced Homophily for Multi-View Heterophilous Graph Clustering [18.108753344903473]
  マルチビューヘテロ親和性グラフクラスタリング(SMHGC)のためのSiMilarity-enhanced Homophilyを提案する。 多視点ヘテロ親和性データセットおよびホモ親和性データセットの最先端実験結果は、教師なし多視点ヘテロ親和性グラフ学習における類似性の強い能力を示す。
  論文  参考訳（メタデータ） (2024-10-04T16:55:35Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• Learning on heterogeneous graphs using high-order relations [37.64632406923687]
  メタパスを使わずに異種グラフを学習する手法を提案する。 異種グラフを異なる同種関係型グラフに分解し、それを結合して高階関係型表現を生成する。
  論文  参考訳（メタデータ） (2021-03-29T12:02:47Z)

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。