論文の概要: KrawtchoukNet: A Unified GNN Solution for Heterophily and Over-smoothing with Adaptive Bounded Polynomials

• arxiv url: http://arxiv.org/abs/2511.15327v1
• Date: Wed, 19 Nov 2025 10:47:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.767674
• Title: KrawtchoukNet: A Unified GNN Solution for Heterophily and Over-smoothing with Adaptive Bounded Polynomials
• Title（参考訳）: KrawtchoukNet: 適応有界多項式を用いたヘテロフォニーと過平滑化のための統一GNNソリューション
• Authors: Huseyin Goksu,
• Abstract要約: ChebyNetのようなフィルタに基づくスペクトルグラフネットワーク(GNN)には、2つの限界がある。 離散的なKrawtchouksに基づくGNNフィルタであるKrawtchoukNetを提案する。 この適応性により、KrawtchoukNetは、挑戦的なベンチマークでSOTA性能を達成することができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectral Graph Neural Networks (GNNs) based on polynomial filters, such as ChebyNet, suffer from two critical limitations: 1) performance collapse on "heterophilic" graphs and 2) performance collapse at high polynomial degrees (K), known as over-smoothing. Both issues stem from the static, low-pass nature of standard filters. In this work, we propose `KrawtchoukNet`, a GNN filter based on the discrete Krawtchouk polynomials. We demonstrate that `KrawtchoukNet` provides a unified solution to both problems through two key design choices. First, by fixing the polynomial's domain N to a small constant (e.g., N=20), we create the first GNN filter whose recurrence coefficients are \textit{inherently bounded}, making it exceptionally robust to over-smoothing (achieving SOTA results at K=10). Second, by making the filter's shape parameter p learnable, the filter adapts its spectral response to the graph data. We show this adaptive nature allows `KrawtchoukNet` to achieve SOTA performance on challenging heterophilic benchmarks (Texas, Cornell), decisively outperforming standard GNNs like GAT and APPNP.
• Abstract（参考訳）: ChebyNetのような多項式フィルタに基づくスペクトルグラフニューラルネットワーク(GNN)には2つの限界がある。 1)「好熱性」グラフと「好熱性」グラフの性能崩壊 2) 高次多項式(K)における性能崩壊は、オーバー・スムーシング(over-smoothing)として知られる。 どちらの問題も、標準フィルタの静的で低パスの性質に由来する。 本研究では,離散Krawtchouk多項式に基づくGNNフィルタであるKrawtchoukNetを提案する。 KrawtchoukNetは2つの重要な設計選択を通じて、両方の問題に統一されたソリューションを提供することを示した。 まず、多項式の領域 N を小さな定数 (eg , N=20) に固定することにより、繰り返し係数が \textit{inherently bounded} である最初の GNN フィルタを作成し、過度に滑らかに(K=10 で SOTA 結果を得る)。 第2に、フィルタの形状パラメータpを学習可能にすることで、グラフデータに対するスペクトル応答を適応させる。 我々は,この適応性により,GATやAPPNPなどの標準GNNを決定的に上回り,難易度の高いヘテロ親和性ベンチマーク(テキサス,コーネル)上でのSOTA性能を実現することができることを示した。

関連論文リスト

• LaguerreNet: Advancing a Unified Solution for Heterophily and Over-smoothing with Adaptive Continuous Polynomials [0.0]
  LaguerreNetは連続的なLaguerres Neuralsに基づく新しいGNNフィルタである。 オーバースムーシングには極めて堅牢で、パフォーマンスはK=10で、ChebyNetが崩壊する範囲を超えている。
  論文  参考訳（メタデータ） (2025-11-19T10:47:23Z)
• MeixnerNet: Adaptive and Robust Spectral Graph Neural Networks with Discrete Orthogonal Polynomials [0.0]
  本稿では,離散直交を用いた新しいスペクトルGNNアーキテクチャであるMeixnerNetを紹介する。 We show that MeixnerNet is comparable robust to variations in degrees K, collapsing in performance where ChebyNet proves very fragile。
  論文  参考訳（メタデータ） (2025-10-30T23:50:21Z)
• 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)
• Spatio-Spectral Graph Neural Networks [50.277959544420455]
  比スペクトルグラフネットワーク(S$2$GNN)を提案する。 S$2$GNNは空間的およびスペクトル的にパラメータ化されたグラフフィルタを組み合わせる。 S$2$GNNsは、MPGNNsよりも厳密な近似理論誤差境界を生じる。
  論文  参考訳（メタデータ） (2024-05-29T14:28:08Z)
• Polynomial Selection in Spectral Graph Neural Networks: An Error-Sum of Function Slices Approach [26.79625547648669]
  グラフフィルタの適用により、グラフニューラルネットワークに固有のスペクトル情報を活用するために、スペクトルグラフネットワークが提案されている。 様々な選択がスペクトルGNNの性能に大きな影響を与え、パラメータ選択の重要性が強調される。 我々は、狭帯域信号スライスを近似する選択肢として広く採用されている三角法に基づく高度なフィルタを開発した。
  論文  参考訳（メタデータ） (2024-04-15T11:35:32Z)
• A Robust Alternative for Graph Convolutional Neural Networks via Graph Neighborhood Filters [84.20468404544047]
  グラフシフト演算子のパワーを$k$ホップ近傍行列に置き換えるグラフフィルタ群(NGF)を提案する。 NGFは、従来のGFの数値問題を緩和し、より深いGCNNの設計を可能にし、グラフのトポロジにおけるエラーに対する堅牢性を高めるのに役立つ。
  論文  参考訳（メタデータ） (2021-10-02T17:05:27Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)
• Filter Grafting for Deep Neural Networks [71.39169475500324]
  ディープニューラルネットワーク(DNN)の表現能力向上を目的としたフィルタグラフト 我々は,フィルタの情報を測定するエントロピーベースの基準と,ネットワーク間のグラフト情報のバランスをとるための適応重み付け戦略を開発する。 例えば、グラフトされたMobileNetV2は、CIFAR-100データセットで非グラフトされたMobileNetV2を約7%上回っている。
  論文  参考訳（メタデータ） (2020-01-15T03:18:57Z)

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。