論文の概要: Does Homophily Help in Robust Test-time Node Classification?

• arxiv url: http://arxiv.org/abs/2510.22289v1
• Date: Sat, 25 Oct 2025 13:17:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.024534
• Title: Does Homophily Help in Robust Test-time Node Classification?
• Title（参考訳）: Homophilyは、ロバストなテスト時間ノード分類に役立つか?
• Authors: Yan Jiang, Ruihong Qiu, Zi Huang,
• Abstract要約: ホモフィリー(英: Homophily)とは、同じクラスのノードが接続する傾向である。 既存の手法は、ホモフィリーを意識したGNNアーキテクチャを設計することで、ホモフィリーを悪用する。 本研究では,GrapHoSTというホモフィリーなグラフ構造変換手法を提案する。
• 参考スコア（独自算出の注目度）: 41.859993506122194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Homophily, the tendency of nodes from the same class to connect, is a fundamental property of real-world graphs, underpinning structural and semantic patterns in domains such as citation networks and social networks. Existing methods exploit homophily through designing homophily-aware GNN architectures or graph structure learning strategies, yet they primarily focus on GNN learning with training graphs. However, in real-world scenarios, test graphs often suffer from data quality issues and distribution shifts, such as domain shifts across users from different regions in social networks and temporal evolution shifts in citation network graphs collected over varying time periods. These factors significantly compromise the pre-trained model's robustness, resulting in degraded test-time performance. With empirical observations and theoretical analysis, we reveal that transforming the test graph structure by increasing homophily in homophilic graphs or decreasing it in heterophilic graphs can significantly improve the robustness and performance of pre-trained GNNs on node classifications, without requiring model training or update. Motivated by these insights, a novel test-time graph structural transformation method grounded in homophily, named GrapHoST, is proposed. Specifically, a homophily predictor is developed to discriminate test edges, facilitating adaptive test-time graph structural transformation by the confidence of predicted homophily scores. Extensive experiments on nine benchmark datasets under a range of test-time data quality issues demonstrate that GrapHoST consistently achieves state-of-the-art performance, with improvements of up to 10.92%. Our code has been released at https://github.com/YanJiangJerry/GrapHoST.
• Abstract（参考訳）: 同じクラスのノードが接続する傾向にあるホモフィリーは、実世界のグラフの基本的特性であり、引用ネットワークやソーシャルネットワークのようなドメインの構造的および意味的パターンの基盤となっている。 既存の手法は、ホモフィズ対応のGNNアーキテクチャやグラフ構造学習戦略を設計することで、ホモフィズを悪用するが、それらは主にグラフをトレーニングするGNN学習に焦点を当てている。 しかし、実世界のシナリオでは、テストグラフはデータ品質の問題や、ソーシャルネットワークの異なる領域からユーザ間でのドメインシフトや、さまざまな時間にわたって収集された引用ネットワークグラフの時間的進化シフトといった分散シフトに悩まされることが多い。 これらの要因により、事前訓練されたモデルの堅牢性が著しく損なわれ、テスト時の性能が低下する。 経験的観察と理論的解析により,同好性グラフのホモフィリな増加や異好性グラフの減少によるテストグラフ構造の変化は,モデルトレーニングや更新を必要とせず,ノード分類における事前学習GNNの堅牢性と性能を著しく向上させることができることが明らかとなった。 これらの知見に触発され,GrapHoSTというホモフィリなグラフ構造変換法が提案されている。 具体的には、テストエッジを識別するためにホモフィリー予測器を開発し、予測ホモフィリースコアの信頼度による適応的なテスト時間グラフ構造変換を容易にする。 さまざまなテストタイムデータ品質問題の下での9つのベンチマークデータセットに対する大規模な実験は、GrapHoSTが一貫して最先端のパフォーマンスを実現し、最大10.92%の改善を実現していることを示している。 私たちのコードはhttps://github.com/YanJiangJerry/GrapHoST.comでリリースされています。

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)
• Leveraging Invariant Principle for Heterophilic Graph Structure Distribution Shifts [42.77503881972965]
  Heterophilic Graph Neural Networks (HGNN) は、グラフ上の半教師付き学習タスクに対して有望な結果を示している。 異種情報を組み込んだ不変ノード表現を生成可能なフレームワークを提案する。 提案手法は,異種グラフ構造分布シフト下での保証性能を実現する。
  論文  参考訳（メタデータ） (2024-08-18T14:10:34Z)
• Demystifying Structural Disparity in Graph Neural Networks: Can One Size Fit All? [61.35457647107439]
  ほとんどの実世界のホモフィルグラフとヘテロフィルグラフは、ホモフィルグラフとヘテロフィルグラフの両方の構造パターンの混合ノードから構成される。 ノード分類におけるグラフニューラルネットワーク (GNN) は, 一般にホモ親和性ノード上で良好に機能することを示す。 次に、GNNに対する厳密で非I.d PAC-Bayesian一般化を提案し、性能格差の理由を明らかにした。
  論文  参考訳（メタデータ） (2023-06-02T07:46:20Z)
• 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)
• Stable Prediction on Graphs with Agnostic Distribution Shift [105.12836224149633]
  グラフニューラルネットワーク(GNN)は、ランダムにトレーニングとテストデータを分離した様々なグラフタスクに有効であることが示されている。 しかし、実際のアプリケーションでは、トレーニンググラフの分布はテストグラフとは異なるかもしれない。 本稿では,グラフ上での局所的およびグローバル的に安定な学習と予測を可能にする,GNNのための新しい安定な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-08T02:45:47Z)
• 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。