論文の概要: Exploring Heterophily in Graph-level Tasks

• arxiv url: http://arxiv.org/abs/2509.18893v1
• Date: Tue, 23 Sep 2025 11:07:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.818543
• Title: Exploring Heterophily in Graph-level Tasks
• Title（参考訳）: グラフレベルの課題におけるヘテロフォリー探索
• Authors: Qinhan Hou, Yilun Zheng, Xichun Zhang, Sitao Luan, Jing Tang,
• Abstract要約: グラフレベルの学習において,理論的洞察と実証的検証を組み合わせたヘテロフィリーの最初の解析を行った。 まず,グラフレベルのラベリング方式の分類を導入し,局所構造ラベリングにおけるモチーフに基づくタスクに着目した。 エネルギーをベースとした勾配流解析を用いて、ノードレベルのタスクにおいて周波数に支配されるレギュレーションとは異なり、モチーフ検出はフレキシブルな混合周波数ダイナミクスを必要とする。
• 参考スコア（独自算出の注目度）: 9.539979711178416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While heterophily has been widely studied in node-level tasks, its impact on graph-level tasks remains unclear. We present the first analysis of heterophily in graph-level learning, combining theoretical insights with empirical validation. We first introduce a taxonomy of graph-level labeling schemes, and focus on motif-based tasks within local structure labeling, which is a popular labeling scheme. Using energy-based gradient flow analysis, we reveal a key insight: unlike frequency-dominated regimes in node-level tasks, motif detection requires mixed-frequency dynamics to remain flexible across multiple spectral components. Our theory shows that motif objectives are inherently misaligned with global frequency dominance, demanding distinct architectural considerations. Experiments on synthetic datasets with controlled heterophily and real-world molecular property prediction support our findings, showing that frequency-adaptive model outperform frequency-dominated models. This work establishes a new theoretical understanding of heterophily in graph-level learning and offers guidance for designing effective GNN architectures.
• Abstract（参考訳）: ヘテロフィリーはノードレベルのタスクで広く研究されているが、グラフレベルのタスクへの影響は未だ不明である。 グラフレベルの学習において,理論的洞察と実証的検証を組み合わせたヘテロフィリーの最初の解析を行った。 まず、グラフレベルのラベリング方式の分類を導入し、一般的なラベリング方式である局所構造ラベリングにおけるモチーフベースのタスクに着目した。 ノードレベルのタスクでは周波数に支配されるレギュレーションとは異なり、モチーフ検出には複数のスペクトル成分をまたいだフレキシブルな混合周波数ダイナミクスが必要である。 我々の理論は、モチーフの目的が本質的にグローバルな周波数支配と不一致であることを示し、異なるアーキテクチャ的考察を要求する。 ヘテロフィリーおよび実世界の分子特性予測を制御した合成データセットの実験により,周波数適応モデルが周波数支配モデルより優れていることを示す。 本研究は,グラフレベルの学習におけるヘテロフィリの新たな理論的理解を確立し,効率的なGNNアーキテクチャの設計のためのガイダンスを提供する。

関連論文リスト

• Performance Heterogeneity in Graph Neural Networks: Lessons for Architecture Design and Preprocessing [1.1126342180866644]
  グラフニューラルネットワークは、グラフレベルの学習において最もポピュラーなアーキテクチャとして登場した。 優れたパフォーマンスを実現するには、注意深いモデル設計が必要です。 選択的なアプローチを提案する。これは、個々のパフォーマンスがリライトの恩恵を受けるグラフのみを対象としている。
  論文  参考訳（メタデータ） (2025-03-01T16:18:07Z)
• Perturbation Ontology based Graph Attention Networks [26.95077612390953]
  Ontology-based Graph Attention Networks (POGAT) は、オントロジーのサブグラフと高度な自己教師付き学習パラダイムを組み合わせて、深い文脈理解を実現する新しい方法論である。 POGATは最先端のベースラインを大幅に上回り、リンク予測のクリティカルタスクはF1スコアで10.78%、ノード分類のクリティカルタスクはMicro-F1で12.01%という画期的な改善を実現している。
  論文  参考訳（メタデータ） (2024-11-27T17:12:14Z)
• 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)
• What Improves the Generalization of Graph Transformers? A Theoretical Dive into the Self-attention and Positional Encoding [67.59552859593985]
  自己アテンションと位置エンコーディングを組み込んだグラフトランスフォーマーは、さまざまなグラフ学習タスクのための強力なアーキテクチャとして登場した。 本稿では,半教師付き分類のための浅いグラフ変換器の理論的検討について紹介する。
  論文  参考訳（メタデータ） (2024-06-04T05:30:16Z)
• Spectral Clustering for Directed Graphs via Likelihood Estimation on Stochastic Block Models [22.421702511126373]
  ブロックモデルに対する統計的推測を利用して、有向グラフに対するスペクトルクラスタリングアルゴリズムの開発を導く。 我々は、スペクトル緩和の誤クラスタリング誤差に関する理論上界を確立し、この緩和に基づいて、有向グラフに対する新しい自己適応スペクトルクラスタリング法を導入する。
  論文  参考訳（メタデータ） (2024-03-28T15:47:13Z)
• Shape-aware Graph Spectral Learning [36.63516222161871]
  スペクトルグラフニューラルネットワーク(GNN)は、メッセージパッシングGNNの限界を超える能力に注目されている。 いくつかの研究は、好ましいグラフ周波数がグラフホモフィリーレベルと関連していることを実証的に示している。 このグラフ周波数とホモフィリー・ヘテロフィリーグラフの関係は、既存のスペクトルGNNにおいて体系的に解析され検討されていない。 我々は、任意のスペクトルフィルタを学習し、対応するホモフィリーレベルの所望の形状に関する事前知識を組み込むことができるニュートン補間に基づくスペクトルフィルタの形状認識正則化を提案する。
  論文  参考訳（メタデータ） (2023-10-16T04:57:30Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• A Theoretical Understanding of Shallow Vision Transformers: Learning, Generalization, and Sample Complexity [71.11795737362459]
  自己注意モジュールを持つViTは、最近多くのタスクで経験的な成功を収めた。 しかし、理論学習の一般化分析は、ほとんどノイズが多く、解答的である。 本稿では,分類タスクのための浅いViTの理論的解析を行った。
  論文  参考訳（メタデータ） (2023-02-12T22:12:35Z)

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。