論文の概要: Adaptive Heterogeneous Graph Neural Networks: Bridging Heterophily and Heterogeneity

• arxiv url: http://arxiv.org/abs/2508.06034v1
• Date: Fri, 08 Aug 2025 05:39:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.090898
• Title: Adaptive Heterogeneous Graph Neural Networks: Bridging Heterophily and Heterogeneity
• Title（参考訳）: Adaptive Heterogeneous Graph Neural Networks: Bridging Heterophily and Heterogeneity
• Authors: Qin Chen, Guojie Song,
• Abstract要約: 不均一グラフ(HGs)は実世界のシナリオで一般的であり、しばしば不均一性を示す。 本稿では,これらの課題に対処するための適応不均一グラフニューラルネットワーク(AHGNN)を提案する。 AHGNNはホップとメタパスの両方に特有のヘテロフィリー分布を考慮に入れたヘテロフィリー認識の畳み込みを採用している。
• 参考スコア（独自算出の注目度）: 20.67252453378065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heterogeneous graphs (HGs) are common in real-world scenarios and often exhibit heterophily. However, most existing studies focus on either heterogeneity or heterophily in isolation, overlooking the prevalence of heterophilic HGs in practical applications. Such ignorance leads to their performance degradation. In this work, we first identify two main challenges in modeling heterophily HGs: (1) varying heterophily distributions across hops and meta-paths; (2) the intricate and often heterophily-driven diversity of semantic information across different meta-paths. Then, we propose the Adaptive Heterogeneous Graph Neural Network (AHGNN) to tackle these challenges. AHGNN employs a heterophily-aware convolution that accounts for heterophily distributions specific to both hops and meta-paths. It then integrates messages from diverse semantic spaces using a coarse-to-fine attention mechanism, which filters out noise and emphasizes informative signals. Experiments on seven real-world graphs and twenty baselines demonstrate the superior performance of AHGNN, particularly in high-heterophily situations.
• Abstract（参考訳）: 不均一グラフ(HGs)は実世界のシナリオで一般的であり、しばしば不均一性を示す。 しかし、既存のほとんどの研究は、ヘテロジニティーまたはヘテロフィリーの分離に焦点をあてており、実際的な応用におけるヘテロ親水性HGの頻度を見越している。 このような無知は性能を低下させる。 本研究では,(1)ホップとメタパスにまたがるヘテロフィリ分布の変化,(2)異なるメタパスにまたがる複雑な,しばしばヘテロフィリ駆動的な意味情報の多様性,という,ヘテロフィリなHGをモデル化する上での2つの主な課題を特定する。 そこで我々は,これらの課題に対処するために,適応不均一グラフニューラルネットワーク(AHGNN)を提案する。 AHGNNはホップとメタパスの両方に特有のヘテロフィリー分布を考慮に入れたヘテロフィリー認識の畳み込みを採用している。 次に、ノイズを除去し、情報的信号を強調する粗い注意機構を使用して、多様な意味空間からのメッセージを統合する。 7つの実世界のグラフと20のベースラインの実験は、特に高機能な状況において、AHGNNの優れた性能を示している。

関連論文リスト

• Enhancing Homophily-Heterophily Separation: Relation-Aware Learning in Heterogeneous Graphs [14.452589880736523]
  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。
  論文  参考訳（メタデータ） (2025-06-26T03:54:06Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)

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。