論文の概要: Virtual Nodes based Heterogeneous Graph Convolutional Neural Network for Efficient Long-Range Information Aggregation

• arxiv url: http://arxiv.org/abs/2509.23660v1
• Date: Sun, 28 Sep 2025 05:52:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.356433
• Title: Virtual Nodes based Heterogeneous Graph Convolutional Neural Network for Efficient Long-Range Information Aggregation
• Title（参考訳）: 仮想ノードを用いた高速長距離情報集約のための不均一グラフ畳み込みニューラルネットワーク
• Authors: Ranhui Yan, Jia cai,
• Abstract要約: 仮想ノードはグラフ内の特定のタイプのすべてのノードと相互接続された補助ノードである。 VN-HGCNは4ドルの層しか持たない効果的な情報集約を実現する。 VN-HGCNの有効性を実証評価した。
• 参考スコア（独自算出の注目度）: 1.6500749121196987
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heterogeneous Graph Neural Networks (HGNNs) have exhibited powerful performance in heterogeneous graph learning by aggregating information from various types of nodes and edges. However, existing heterogeneous graph models often struggle to capture long-range information or necessitate stacking numerous layers to learn such dependencies, resulting in high computational complexity and encountering over-smoothing issues. In this paper, we propose a Virtual Nodes based Heterogeneous Graph Convolutional Network (VN-HGCN), which leverages virtual nodes to facilitate enhanced information flow within the graph. Virtual nodes are auxiliary nodes interconnected with all nodes of a specific type in the graph, facilitating efficient aggregation of long-range information across different types of nodes and edges. By incorporating virtual nodes into the graph structure, VN-HGCN achieves effective information aggregation with only $4$ layers. Additionally, we demonstrate that VN-HGCN can serve as a versatile framework that can be seamlessly applied to other HGNN models, showcasing its generalizability. Empirical evaluations validate the effectiveness of VN-HGCN, and extensive experiments conducted on three real-world heterogeneous graph datasets demonstrate the superiority of our model over several state-of-the-art baselines.
• Abstract（参考訳）: 異種グラフニューラルネットワーク(HGNN)は,様々な種類のノードやエッジから情報を集約することにより,異種グラフ学習において強力な性能を示した。 しかし、既存の異種グラフモデルは、長い範囲の情報を取得するのに苦労したり、そのような依存関係を学ぶために多数のレイヤを積み重ねる必要がしばしばあり、計算の複雑さが高くなり、過度に滑らかな問題に遭遇する。 本稿では,仮想ノードを利用する仮想ノードベースのヘテロジニアスグラフ畳み込みネットワーク(VN-HGCN)を提案する。 仮想ノードはグラフ内の特定のタイプのすべてのノードと相互接続された補助ノードであり、異なるタイプのノードとエッジにまたがる長距離情報の効率的な集約を容易にする。 仮想ノードをグラフ構造に組み込むことで、VN-HGCNは4ドルの層しか持たない効果的な情報集約を実現する。 さらに、VN-HGCNは、他のHGNNモデルにシームレスに適用できる汎用的なフレームワークとして機能し、その一般化可能性を示す。 VN-HGCNの有効性を実証評価し、3つの実世界の異種グラフデータセットで行った広範な実験により、我々のモデルがいくつかの最先端ベースラインよりも優れていることを示した。

関連論文リスト

• Fast and Distributed Equivariant Graph Neural Networks by Virtual Node Learning [14.747385425154247]
  我々はFastEGNNとDistEGNNを紹介した。 FastEGNNは、実際のノードの大きな未順序グラフを効果的に近似する、小さな順序付き仮想ノードセットを使用している。 超大規模幾何学グラフに対しては,仮想ノードがサブグラフ間のグローバルブリッジとして機能する分散拡張であるDistEGNNを提案する。
  論文  参考訳（メタデータ） (2025-06-24T10:17:38Z)
• 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)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• Multi-view Graph Convolutional Networks with Differentiable Node Selection [29.575611350389444]
  差別化可能なノード選択(MGCN-DNS)を備えた多視点グラフ畳み込みネットワーク(Multi-view Graph Convolutional Network)を提案する。 MGCN-DNSは、マルチチャネルグラフ構造データを入力として受け入れ、微分可能なニューラルネットワークを通じてより堅牢なグラフ融合を学ぶことを目的としている。 提案手法の有効性は,最先端手法と厳密な比較により検証した。
  論文  参考訳（メタデータ） (2022-12-09T21:48:36Z)
• ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
  本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。 複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-10-15T07:18:57Z)
• Heterogeneous Graph Neural Network with Multi-view Representation Learning [16.31723570596291]
  異種グラフ埋め込みのための多視点表現学習(MV-HetGNN)を用いた異種グラフニューラルネットワークを提案する。 提案手法は, ノード特徴変換, ビュー固有エゴグラフ符号化, 自動多視点融合により, 包括的ノード表現を生成する複雑な構造情報と意味情報を完全に学習する。 3つの実世界の異種グラフデータセットに対する大規模な実験により、提案されたMV-HetGNNモデルは、様々な下流タスクにおいて、最先端のGNNベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2021-08-31T07:18:48Z)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)
• Graph Highway Networks [77.38665506495553]
  グラフ畳み込みネットワーク(GCN)は、グラフ表現の有効性と効率性から、グラフ表現の学習に広く利用されている。 彼らは、多くの層が積み重ねられたとき、学習された表現が類似したベクトルに収束するという悪名高い過度に滑らかな問題に悩まされる。 本稿では,GCN学習プロセスにおける均一性と不均一性との間のトレードオフのバランスをとるため,ゲーティングユニットを利用したグラフハイウェイネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-09T16:26:43Z)
• Heterogeneous Graph Transformer [49.675064816860505]
  Webスケールの不均一グラフモデリングのための不均一グラフ変換器(HGT)アーキテクチャ 動的ヘテロジニアスグラフを扱うために、HGTに相対時間符号化手法を導入する。 Web スケールのグラフデータを扱うため,ヘテロジニアスなミニバッチグラフサンプリングアルゴリズム--HGSampling--を設計し,効率的かつスケーラブルなトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-03T04:49:21Z)

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。