論文の概要: Flow Matters: Directional and Expressive GNNs for Heterophilic Graphs

• arxiv url: http://arxiv.org/abs/2509.00772v1
• Date: Sun, 31 Aug 2025 10:03:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.388104
• Title: Flow Matters: Directional and Expressive GNNs for Heterophilic Graphs
• Title（参考訳）: フローマター:不テロ親和性グラフのための方向的および表現的GNN
• Authors: Arman Gupta, Govind Waghmare, Gaurav Oberoi, Nitish Srivastava,
• Abstract要約: 異種グラフのノード分類におけるエッジ方向と表現的メッセージパッシングの併用効果について検討する。 本研究は,ヘテロ親和性グラフ学習におけるエッジ方向と表現的特徴モデリングの相補的役割を強調した。
• 参考スコア（独自算出の注目度）: 2.56240510948525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In heterophilic graphs, where neighboring nodes often belong to different classes, conventional Graph Neural Networks (GNNs) struggle due to their reliance on local homophilous neighborhoods. Prior studies suggest that modeling edge directionality in such graphs can increase effective homophily and improve classification performance. Simultaneously, recent work on polynomially expressive GNNs shows promise in capturing higher-order interactions among features. In this work, we study the combined effect of edge directionality and expressive message passing on node classification in heterophilic graphs. Specifically, we propose two architectures: (1) a polynomially expressive GAT baseline (Poly), and (2) a direction-aware variant (Dir-Poly) that separately aggregates incoming and outgoing edges. Both models are designed to learn permutation-equivariant high-degree polynomials over input features, while remaining scalable with no added time complexity. Experiments on five benchmark heterophilic datasets show that our Poly model consistently outperforms existing baselines, and that Dir-Poly offers additional gains on graphs with inherent directionality (e.g., Roman Empire), achieving state-of-the-art results. Interestingly, on undirected graphs, introducing artificial directionality does not always help, suggesting that the benefit of directional message passing is context-dependent. Our findings highlight the complementary roles of edge direction and expressive feature modeling in heterophilic graph learning.
• Abstract（参考訳）: 隣接するノードがしばしば異なるクラスに属するヘテロ親和性グラフでは、従来のグラフニューラルネットワーク(GNN)は、局所的ホモ親和性近傍に依存するため、困難である。 先行研究は、そのようなグラフにおけるエッジ方向のモデリングは、効果的なホモフィリーを高め、分類性能を向上させることを示唆している。 同時に、多項式表現型GNNに関する最近の研究は、特徴間の高次相互作用を捉えることを約束している。 本研究では,ヘテロ親和性グラフのノード分類におけるエッジ指向性と表現的メッセージパッシングの複合効果について検討する。 具体的には,(1)多項式表現型GATベースライン(Poly)と(2)入出力エッジを個別に集約する方向認識型(Dir-Poly)の2つのアーキテクチャを提案する。 どちらのモデルも、時間的複雑さを伴わずに拡張性を維持しながら、入力特徴よりも置換等価な高次多項式を学習するように設計されている。 5つのベンチマークヘテロ親和性データセットの実験により、私たちのPolyモデルは既存のベースラインを一貫して上回り、Dir-Polyは固有の方向(例えばローマ帝国)を持つグラフにさらなる利得を与え、最先端の結果を得ることを示した。 興味深いことに、非指向グラフでは、人工的な指向性を導入することは必ずしも役に立たない。 本研究は,ヘテロ親和性グラフ学習におけるエッジ方向と表現的特徴モデリングの相補的役割を強調した。

関連論文リスト

• Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
  グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。 私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。 ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
  論文  参考訳（メタデータ） (2024-10-18T01:34:35Z)
• Edge Directionality Improves Learning on Heterophilic Graphs [42.5099159786891]
  我々は、有向グラフを深層学習するための新しいフレームワークであるDir-GNN(Directed Graph Neural Network)を紹介する。 Dir-GNNは、任意のメッセージパッシングニューラルネットワーク(MPNN)を拡張して、エッジ指向性情報を考慮するために使用することができる。 我々は,Dir-GNNが従来のMPNNよりも高い指向性Weisfeiler-Lehmanテストの表現性に一致することを証明した。
  論文  参考訳（メタデータ） (2023-05-17T18:06:43Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• 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)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)

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。