論文の概要: HeroFilter: Adaptive Spectral Graph Filter for Varying Heterophilic Relations

• arxiv url: http://arxiv.org/abs/2510.10864v1
• Date: Mon, 13 Oct 2025 00:12:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.133721
• Title: HeroFilter: Adaptive Spectral Graph Filter for Varying Heterophilic Relations
• Title（参考訳）: HeroFilter: 異種親和性相関のための適応スペクトルグラフフィルタ
• Authors: Shuaicheng Zhang, Haohui Wang, Junhong Lin, Xiaojie Guo, Yada Zhu, Si Zhang, Dongqi Fu, Dawei Zhou,
• Abstract要約: 最適なフィルタ応答は周波数成分によって異なり, ヘテロフィリ次数との厳密なモノトニック相関に従わないことを示す。 ヘテロフィリスペクトルの情報を抽出し,適応混合により有能な表現を結合する,単純かつ強力なGNNである[METHOD NAME]を提案する。
• 参考スコア（独自算出の注目度）: 33.081628512906
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph heterophily, where connected nodes have different labels, has attracted significant interest recently. Most existing works adopt a simplified approach - using low-pass filters for homophilic graphs and high-pass filters for heterophilic graphs. However, we discover that the relationship between graph heterophily and spectral filters is more complex - the optimal filter response varies across frequency components and does not follow a strict monotonic correlation with heterophily degree. This finding challenges conventional fixed filter designs and suggests the need for adaptive filtering to preserve expressiveness in graph embeddings. Formally, natural questions arise: Given a heterophilic graph G, how and to what extent will the varying heterophily degree of G affect the performance of GNNs? How can we design adaptive filters to fit those varying heterophilic connections? Our theoretical analysis reveals that the average frequency response of GNNs and graph heterophily degree do not follow a strict monotonic correlation, necessitating adaptive graph filters to guarantee good generalization performance. Hence, we propose [METHOD NAME], a simple yet powerful GNN, which extracts information across the heterophily spectrum and combines salient representations through adaptive mixing. [METHOD NAME]'s superior performance achieves up to 9.2% accuracy improvement over leading baselines across homophilic and heterophilic graphs.
• Abstract（参考訳）: 連結ノードが異なるラベルを持つグラフヘテロフィリーは、最近大きな関心を集めている。 既存のほとんどの研究は単純化されたアプローチを採用しており、ホモフィルグラフにローパスフィルタ、ヘテロフィルグラフにハイパスフィルタを用いる。 しかし、グラフヘテロフィリーとスペクトルフィルタの関係はより複雑であり、最適なフィルタ応答は周波数成分によって異なり、ヘテロフィリー次数との厳密なモノトニック相関に従わない。 この発見は従来の固定フィルタ設計に挑戦し、グラフ埋め込みにおける表現性を維持するための適応フィルタの必要性を示唆している。 形式的には、自然問題が発生する: ヘテロフィルグラフ G が与えられたとき、G の様々なヘテロフィル次数が GNN のパフォーマンスにどのような影響をもたらすか。 様々な異種親和性接続に適合する適応フィルタを設計するにはどうすればよいか? 理論解析により,GNNとグラフヘテロフィリ次数の平均周波数応答は厳密な単調相関に従わないことが明らかとなった。 そこで本研究では, ヘテロフィリスペクトルの情報を抽出し, 適応混合により有意な表現を結合する, 単純かつ強力なGNNである[MeTHOD NAME]を提案する。 [MethOD NAME]の優れた性能は、ホモ親和性グラフとヘテロ親和性グラフにまたがる主要なベースラインよりも最大9.2%の精度向上を達成している。

関連論文リスト

• Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
  グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。 Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。 10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-19T09:57:35Z)
• Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
  我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。 フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
  論文  参考訳（メタデータ） (2024-11-18T04:57:05Z)
• Addressing Graph Heterogeneity and Heterophily from A Spectral Perspective [46.37860909753809]
  ヘテロジニティ(Heterogeneity)とは、複数の種類のノードやエッジを持つグラフを指すが、ヘテロフィリィ(heterphily)とは、連結ノードが異なる属性やラベルを持つ可能性が高いという事実を指す。 本稿では,局所独立フィルタリングとグローバルハイブリッドフィルタリングという2つのモジュールを用いたヘテロ親水性スペクトルグラフニューラルネットワーク(H2SGNN)を提案する。 提案したH2SGNNの有効性を検証するため,4つのデータセットで大規模な実験を行った。
  論文  参考訳（メタデータ） (2024-10-17T09:23:53Z)
• Node-wise Filtering in Graph Neural Networks: A Mixture of Experts Approach [58.8524608686851]
  グラフニューラルネットワーク(GNN)は、多様なグラフ構造パターンをまたいだノード分類タスクに非常に効果的であることが証明されている。 伝統的に、GNNは均一なグローバルフィルタ(通常、ホモフィルグラフのローパスフィルタとヘテロフィルグラフのハイパスフィルタ)を用いる。 我々は,異なるノードに対する適切なフィルタを適応的に選択するために,専門家の混在を利用した新しいGNNフレームワークNode-MoEを紹介する。
  論文  参考訳（メタデータ） (2024-06-05T17:12:38Z)
• 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)
• GPatcher: A Simple and Adaptive MLP Model for Alleviating Graph Heterophily [15.93465948768545]
  グラフニューラルネットワーク(GNN)フィルタにおけるグラフヘテロフィリーの影響を解明する。 我々は,パッチ・ミクサーアーキテクチャを利用したGPatcherというシンプルで強力なGNNを提案する。 本モデルでは, ノード分類において, 人気ホモフィリーGNNや最先端ヘテロフィリーGNNと比較して, 優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-25T20:57:35Z)
• Stability to Deformations of Manifold Filters and Manifold Neural Networks [89.53585099149973]
  本論文は、多様体(M)畳み込みフィルタとニューラルネットワーク(NN)を定義し、研究する。 この論文の主な技術的貢献は、多様体の滑らかな変形に対する多様体フィルタとMNNの安定性を分析することである。
  論文  参考訳（メタデータ） (2021-06-07T15:41:03Z)

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。