論文の概要: Graph Homophily Booster: Rethinking the Role of Discrete Features on Heterophilic Graphs
- arxiv url: http://arxiv.org/abs/2509.12530v1
- Date: Tue, 16 Sep 2025 00:10:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:52.819081
- Title: Graph Homophily Booster: Rethinking the Role of Discrete Features on Heterophilic Graphs
- Title（参考訳）: Graph Homophily Booster: 異所性グラフにおける離散的特徴の役割を再考する
- Authors: Ruizhong Qiu, Ting-Wei Li, Gaotang Li, Hanghang Tong,
- Abstract要約: グラフニューラルネットワーク(GNN)は、グラフ構造化データをモデリングするための強力なツールとして登場した。
既存のGNNは、接続ノードが異なる特徴やラベルを持つ傾向がある異種グラフとしばしば苦労する。
我々は、グラフ変換を慎重に設計し、グラフをホモフィリーに拡張する、新しい、未探索のパラダイムを提示する。
- 参考スコア（独自算出の注目度）: 50.99881402425112
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks (GNNs) have emerged as a powerful tool for modeling graph-structured data. However, existing GNNs often struggle with heterophilic graphs, where connected nodes tend to have dissimilar features or labels. While numerous methods have been proposed to address this challenge, they primarily focus on architectural designs without directly targeting the root cause of the heterophily problem. These approaches still perform even worse than the simplest MLPs on challenging heterophilic datasets. For instance, our experiments show that 21 latest GNNs still fall behind the MLP on the Actor dataset. This critical challenge calls for an innovative approach to addressing graph heterophily beyond architectural designs. To bridge this gap, we propose and study a new and unexplored paradigm: directly increasing the graph homophily via a carefully designed graph transformation. In this work, we present a simple yet effective framework called GRAPHITE to address graph heterophily. To the best of our knowledge, this work is the first method that explicitly transforms the graph to directly improve the graph homophily. Stemmed from the exact definition of homophily, our proposed GRAPHITE creates feature nodes to facilitate homophilic message passing between nodes that share similar features. Furthermore, we both theoretically and empirically show that our proposed GRAPHITE significantly increases the homophily of originally heterophilic graphs, with only a slight increase in the graph size. Extensive experiments on challenging datasets demonstrate that our proposed GRAPHITE significantly outperforms state-of-the-art methods on heterophilic graphs while achieving comparable accuracy with state-of-the-art methods on homophilic graphs.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化データをモデリングするための強力なツールとして登場した。
しかし、既存のGNNは、接続ノードが異なる特徴やラベルを持つ傾向にある異種グラフに苦しむことが多い。
この課題に対処するための多くの手法が提案されているが、主にヘテロフィリー問題の根本原因を直接ターゲットにすることなく、アーキテクチャ設計に焦点を当てている。
これらのアプローチは、挑戦的なヘテロ親和性データセット上で、最も単純なMLPよりもさらにパフォーマンスが劣る。
例えば、我々の実験では、21の最新のGNNがアクターデータセットのMLPにまだ遅れていることが示されています。
この批判的な挑戦は、アーキテクチャ設計を越えてグラフをヘテロフィに対処するための革新的なアプローチを求めている。
このギャップを埋めるため、慎重に設計されたグラフ変換によりグラフをホモフィリーに増加させる新しいパラダイムを提案し、研究する。
本研究では,グラフのヘテロフィリアスに対処するため, GraphITE と呼ばれる簡易かつ効果的なフレームワークを提案する。
我々の知る限りでは、この研究はグラフを直接ホモフィリーに改善するためにグラフを明示的に変換する最初の方法である。
ホモフィリーの正確な定義から、提案した GraphITE は、類似した特徴を共有するノード間のホモフィリックメッセージパッシングを容易にする機能ノードを生成する。
さらに、理論上も経験的にも、提案した GraphITE が、グラフサイズをわずかに増加させるだけで、もともとヘテロ親和性グラフのホモフィリティーを著しく向上させることを示す。
提案した GraphITE は異種グラフの最先端手法よりも高い性能を示しながら,同種グラフの最先端手法と同等の精度を実現している。
関連論文リスト
- It Takes a Graph to Know a Graph: Rewiring for Homophily with a Reference Graph [19.222317334613162]
グラフニューラルネットワーク(GNN)は、グラフ構造化データの解析に長けているが、連結ノードがしばしば異なるクラスに属している異種グラフに苦戦している。
我々は、エッジホモフィリー、GNN埋め込みの滑らかさ、ノード分類性能をリンクする理論的基礎を提供する。
参照グラフを用いてグラフをホモフィリに増加させるリワイアリングフレームワークを導入し、リワイアグラフのホモフィリを理論的に保証する。
論文 参考訳（メタデータ） (2025-05-18T13:28:56Z) - GRAIN: Multi-Granular and Implicit Information Aggregation Graph Neural Network for Heterophilous Graphs [11.458759345322832]
Granular and Implicit Graph Network (GRAIN) は異種グラフに特化して設計された新しいGNNモデルである。
GRAINは、さまざまなレベルでマルチビュー情報を集約し、非隣接ノードからの暗黙のデータを組み込むことで、ノードの埋め込みを強化する。
また,多粒度と暗黙的データを効率よく組み合わせ,ノード表現の質を大幅に向上させる適応グラフ情報集約器を導入する。
論文 参考訳（メタデータ） (2025-04-09T07:36:44Z) - 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) - Provable Filter for Real-world Graph Clustering [11.7278692671308]
実用的なグラフを扱うための原則的な方法が緊急に必要である。
我々は、それぞれ高度にホモ親和性とヘテロ親和性を持つ2つのグラフを構築する。
我々は、ホモフィルグラフとヘテロフィルグラフの両方に関する広範な実験を通して、我々のアプローチを検証する。
論文 参考訳（メタデータ） (2024-03-06T12:37:49Z) - Beyond Homophily: Reconstructing Structure for Graph-agnostic Clustering [15.764819403555512]
グラフを好適なGNNモデルが見つかる前に、まずホモ親和性あるいはヘテロ親和性として識別することは不可能である。
本稿では,グラフ再構成,混合フィルタ,二重グラフクラスタリングネットワークという3つの重要な要素を含むグラフクラスタリング手法を提案する。
我々の手法は異種グラフ上で他者を支配している。
論文 参考訳（メタデータ） (2023-05-03T01:49:01Z) - Make Heterophily Graphs Better Fit GNN: A Graph Rewiring Approach [43.41163711340362]
本稿では, ヘテロフィリーグラフリワイアリング(Deep Heterophily Graph Rewiring, DHGR)という手法を提案する。
我々の知る限りでは、ヘテロフィリーグラフに対するグラフ再構成を研究する最初の研究である。
論文 参考訳（メタデータ） (2022-09-17T06:55:21Z) - 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) - 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)
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。