論文の概要: HGEN: Heterogeneous Graph Ensemble Networks

• arxiv url: http://arxiv.org/abs/2509.09843v1
• Date: Thu, 11 Sep 2025 20:50:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.916973
• Title: HGEN: Heterogeneous Graph Ensemble Networks
• Title（参考訳）: HGEN: 異種グラフアンサンブルネットワーク
• Authors: Jiajun Shen, Yufei Jin, Yi He, Xingquan Zhu,
• Abstract要約: HGENはメタパスと変換ベースの最適化パイプラインを通じて複数の学習者をアンサンブルし、分類精度を高める。 効果的なアンサンブル学習を確保するため,1) 異なるメタパスのアレルGNNを校正する残差保持機構,2) 異なるメタパスから生成された埋め込み行列間の格差を増大させる相関正規化項を示す。
• 参考スコア（独自算出の注目度）: 19.591073105733567
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents HGEN that pioneers ensemble learning for heterogeneous graphs. We argue that the heterogeneity in node types, nodal features, and local neighborhood topology poses significant challenges for ensemble learning, particularly in accommodating diverse graph learners. Our HGEN framework ensembles multiple learners through a meta-path and transformation-based optimization pipeline to uplift classification accuracy. Specifically, HGEN uses meta-path combined with random dropping to create Allele Graph Neural Networks (GNNs), whereby the base graph learners are trained and aligned for later ensembling. To ensure effective ensemble learning, HGEN presents two key components: 1) a residual-attention mechanism to calibrate allele GNNs of different meta-paths, thereby enforcing node embeddings to focus on more informative graphs to improve base learner accuracy, and 2) a correlation-regularization term to enlarge the disparity among embedding matrices generated from different meta-paths, thereby enriching base learner diversity. We analyze the convergence of HGEN and attest its higher regularization magnitude over simple voting. Experiments on five heterogeneous networks validate that HGEN consistently outperforms its state-of-the-art competitors by substantial margin.
• Abstract（参考訳）: 本稿ではヘテロジニアスグラフのためのアンサンブル学習の先駆者であるHGENについて述べる。 ノードタイプ, ノードの特徴, 局所近傍のトポロジの不均一性は, アンサンブル学習, 特に多彩なグラフ学習者にとって重要な課題となる。 我々のHGENフレームワークはメタパスと変換に基づく最適化パイプラインを通じて複数の学習者をアンサンブルし、分類精度を高める。 具体的には、HGENはメタパスとランダムドロップを組み合わせてAllele Graph Neural Networks(GNN)を作成する。 効果的なアンサンブル学習を確保するために、HGENは2つの重要な要素を提示する。 1) 異なるメタパスのアレルGNNを校正し、ノード埋め込みを強制し、より情報のあるグラフに焦点を合わせ、基礎学習者の精度を向上させる残差保持機構 2)異なるメタパスから生成された埋め込み行列間の格差を増大させる相関正規化項により,基礎学習者の多様性が向上する。 我々はHGENの収束を解析し、単純投票よりも高い正規化度を証明した。 5つの異種ネットワークの実験により、HGENは最先端の競争相手を実質的に上回っていることが証明された。

関連論文リスト

• HGPROMPT: Bridging Homogeneous and Heterogeneous Graphs for Few-shot Prompt Learning [16.587427365950838]
  本稿では,HGPROMPTを提案する。HGPROMPTは,事前学習タスクと下流タスクだけでなく,均一かつ均一なグラフを統一するための,新しい事前学習および促進フレームワークである。 我々は3つの公開データセットの広範な実験を通してHGPROMPTを徹底的に評価・解析した。
  論文  参考訳（メタデータ） (2023-12-04T13:20:15Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• 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)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)

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。