論文の概要: ATLAS: Adaptive Topology-based Learning at Scale for Homophilic and Heterophilic Graphs

• arxiv url: http://arxiv.org/abs/2512.14908v1
• Date: Tue, 16 Dec 2025 20:43:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.785217
• Title: ATLAS: Adaptive Topology-based Learning at Scale for Homophilic and Heterophilic Graphs
• Title（参考訳）: ATLAS: 相同性グラフと異性グラフのための適応的トポロジに基づく大規模学習
• Authors: Turja Kundu, Sanjukta Bhowmick,
• Abstract要約: ATLAS(相同性グラフと異性グラフのための適応的トポロジに基づく大規模学習) グラフニューラルネットワーク(GNN)における2つの重要な課題に対処する新しいグラフ学習アルゴリズムを提案する。 GNNの精度は、グラフがヘテロ親和性であるときに低下する。 マルチレゾリューション・コミュニティの特徴は, ホモ親和性とヘテロ親和性の両方において, 性能を体系的に調節することを示す。
• 参考スコア（独自算出の注目度）: 0.5156484100374058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present ATLAS (Adaptive Topology-based Learning at Scale for Homophilic and Heterophilic Graphs), a novel graph learning algorithm that addresses two important challenges in graph neural networks (GNNs). First, the accuracy of GNNs degrades when the graph is heterophilic. Second, iterative feature aggregation limits the scalability of GNNs to large graphs. We address these challenges by extracting topological information about graph communities at multiple levels of refinement, concatenating community assignments to the feature vector, and applying multilayer perceptrons (MLPs) to the resulting representation. This provides topological context about nodes and their neighborhoods without invoking aggregation. Because MLPs are typically more scalable than GNNs, our approach applies to large graphs without the need for sampling. Across a wide set of graphs, ATLAS achieves comparable accuracy to baseline methods, with gains as high as 20 percentage points over GCN for heterophilic graphs with negative structural bias and 11 percentage points over MLP for homophilic graphs. Furthermore, we show how multi-resolution community features systematically modulate performance in both homophilic and heterophilic settings, opening a principled path toward explainable graph learning.
• Abstract（参考訳）: 我々は、グラフニューラルネットワーク(GNN)における2つの重要な課題に対処する新しいグラフ学習アルゴリズムATLAS(Adaptive Topology-based Learning at Scale for Homophilic and Heterophilic Graphs)を提案する。 まず、グラフが不適合であるときにGNNの精度が低下する。 第2に、反復的な機能集約は、GNNのスケーラビリティを大きなグラフに制限する。 これらの課題は,多段階の洗練度でグラフコミュニティに関するトポロジ的な情報を抽出し,特徴ベクトルにコミュニティ割り当てを連結し,結果の表現に多層パーセプトロン(MLP)を適用することで解決する。 これにより、ノードとその近傍に関するトポロジ的コンテキストが集約を呼び起こすことなく提供される。 MLPは一般的にGNNよりもスケーラブルであるため、我々のアプローチはサンプリングを必要とせずに大きなグラフに適用できる。 グラフの広い範囲で、ATLASはベースライン法に匹敵する精度を達成し、ヘテロ親和性グラフのGCNよりも最大20ポイント、ホモ親和性グラフのMPPより11ポイント向上する。 さらに, マルチレゾリューション・コミュニティの特徴が, 相同性と異種性の両方において, 性能を体系的に調節し, 説明可能なグラフ学習への道を開くことを示す。

関連論文リスト

• Graph Homophily Booster: Rethinking the Role of Discrete Features on Heterophilic Graphs [50.99881402425112]
  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をモデリングするための強力なツールとして登場した。 既存のGNNは、接続ノードが異なる特徴やラベルを持つ傾向がある異種グラフとしばしば苦労する。 我々は、グラフ変換を慎重に設計し、グラフをホモフィリーに拡張する、新しい、未探索のパラダイムを提示する。
  論文  参考訳（メタデータ） (2025-09-16T00:10:20Z)
• 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)
• 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)
• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。 最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
  グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。 最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• 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)
• Beyond Low-Pass Filters: Adaptive Feature Propagation on Graphs [6.018995094882323]
  グラフニューラルネットワーク(GNN)は、グラフ上の予測タスクのために広く研究されている。 ほとんどのGNNは、局所的ホモフィリー、すなわち地域住民の強い類似性を仮定している。 基本となるホモフィリーによって制限されることなく、任意のグラフを扱うことができる柔軟なGNNモデルを提案する。
  論文  参考訳（メタデータ） (2021-03-26T00:35:36Z)

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。