論文の概要: Beyond Fixed Depth: Adaptive Graph Neural Networks for Node Classification Under Varying Homophily

• arxiv url: http://arxiv.org/abs/2511.06608v1
• Date: Mon, 10 Nov 2025 01:37:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.019258
• Title: Beyond Fixed Depth: Adaptive Graph Neural Networks for Node Classification Under Varying Homophily
• Title（参考訳）: 修正深度を超える:可変ホモフィリー下のノード分類のための適応型グラフニューラルネットワーク
• Authors: Asela Hevapathige, Asiri Wijesinghe, Ahad N. Zehmakan,
• Abstract要約: 本研究では,局所構造特性とラベル特性を情報伝達ダイナミクスに関連付ける理論的枠組みを開発する。 本稿では,ノード固有の集約深さを動的に選択する適応深度GNNアーキテクチャを提案する。 本手法は, 統一モデルにおけるホモ親和性パターンとヘテロ親和性パターンの両方にシームレスに適応する。
• 参考スコア（独自算出の注目度）: 10.0426843232642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have achieved significant success in addressing node classification tasks. However, the effectiveness of traditional GNNs degrades on heterophilic graphs, where connected nodes often belong to different labels or properties. While recent work has introduced mechanisms to improve GNN performance under heterophily, certain key limitations still exist. Most existing models apply a fixed aggregation depth across all nodes, overlooking the fact that nodes may require different propagation depths based on their local homophily levels and neighborhood structures. Moreover, many methods are tailored to either homophilic or heterophilic settings, lacking the flexibility to generalize across both regimes. To address these challenges, we develop a theoretical framework that links local structural and label characteristics to information propagation dynamics at the node level. Our analysis shows that optimal aggregation depth varies across nodes and is critical for preserving class-discriminative information. Guided by this insight, we propose a novel adaptive-depth GNN architecture that dynamically selects node-specific aggregation depths using theoretically grounded metrics. Our method seamlessly adapts to both homophilic and heterophilic patterns within a unified model. Extensive experiments demonstrate that our approach consistently enhances the performance of standard GNN backbones across diverse benchmarks.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)はノード分類タスクに対処する上で大きな成功を収めた。 しかしながら、従来のGNNの有効性は、連結ノードがしばしば異なるラベルやプロパティに属するヘテロ親和性グラフで低下する。 最近の研究は、ヘテロフィリーの下でGNNのパフォーマンスを改善するメカニズムを導入しているが、いくつかの重要な制限がある。 既存のモデルの多くは、すべてのノードに一定の集約深度を適用しており、ノードが局所的ホモフィリーレベルと近傍構造に基づいて異なる伝播深度を必要とするという事実を見越している。 さらに、多くの手法は、同好的または異好的な設定に適合し、両方のレギュレーションをまたいで一般化する柔軟性が欠如している。 これらの課題に対処するために,局所構造とラベル特性をノードレベルでの情報伝達ダイナミクスに関連付ける理論的枠組みを開発する。 分析の結果,最適な集約深度はノードによって異なり,クラス識別情報の保存には重要であることがわかった。 この知見に導かれて,理論的な基底値を用いてノード固有の集約深度を動的に選択する適応深度GNNアーキテクチャを提案する。 本手法は, 統一モデルにおけるホモ親和性パターンとヘテロ親和性パターンの両方にシームレスに適応する。 大規模な実験により、我々のアプローチは様々なベンチマークで標準GNNバックボーンの性能を継続的に向上することを示した。

関連論文リスト

• Graph Neural Networks with Similarity-Navigated Probabilistic Feature Copying [1.5229257192293202]
  本稿では,Axelrodの文化的普及モデルに触発された新しいGNNアーキテクチャであるAxelGNNを提案する。 AxelGNNは、ノードの類似性に基づいて収束や発散を適応的に促進する類似性付き確率的相互作用を取り入れている。 様々なホモフィリ・ヘテロフィリー特性を持つ多種多様なグラフ構造において、一貫して最先端のGNN法を上回り、一致させる。
  論文  参考訳（メタデータ） (2025-09-23T14:39:09Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Mixture of Scope Experts at Test: Generalizing Deeper Graph Neural Networks with Shallow Variants [3.475704621679017]
  異種グラフはグラフニューラルネットワーク(GNN)に挑戦する GNNは深さが増加するにつれて性能低下に悩まされる。 我々は,テストにおけるスコープエキスパートの混合(Moscat)による高表現性を維持しつつ,より深いGNN一般化を改善することを提案する。
  論文  参考訳（メタデータ） (2024-09-11T04:13:39Z)
• On Generalized Degree Fairness in Graph Neural Networks [18.110053023118294]
  Deg-FairGNN(Generalized Degree Fairness-centric Graph Neural Network)と呼ばれる新しいGNNフレームワークを提案する。 具体的には、各GNN層において、学習可能なデバイアス機能を用いて、デバイアスのコンテキストを生成する。 3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、精度と公正度の両方において、我々のモデルの有効性を示す。
  論文  参考訳（メタデータ） (2023-02-08T05:00:37Z)
• Heterophily-Aware Graph Attention Network [42.640057865981156]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。 既存のヘテロフィル性GNNは、各エッジのヘテロフィリのモデリングを無視する傾向にあり、これはヘテロフィリ問題に取り組む上でも不可欠である。 本稿では,局所分布を基礎となるヘテロフィリーとして完全に探索し,活用することで,新たなヘテロフィア対応グラフ注意ネットワーク(HA-GAT)を提案する。
  論文  参考訳（メタデータ） (2023-02-07T03:21:55Z)
• Revisiting Heterophily For Graph Neural Networks [42.41238892727136]
  グラフニューラルネットワーク(GNN)は、関係帰納バイアスに基づくグラフ構造を用いて基本ニューラルネットワーク(NN)を拡張する(ホモフィリー仮定) 最近の研究は、NNと比較してパフォーマンスが不十分な、非自明なデータセットのセットを特定している。
  論文  参考訳（メタデータ） (2022-10-14T08:00:26Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)
• Towards Deeper Graph Neural Networks with Differentiable Group Normalization [61.20639338417576]
  グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。 オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。 2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
  論文  参考訳（メタデータ） (2020-06-12T07:18:02Z)

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。