論文の概要: Task-driven Heterophilic Graph Structure Learning

• arxiv url: http://arxiv.org/abs/2512.23406v1
• Date: Mon, 29 Dec 2025 11:59:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.482608
• Title: Task-driven Heterophilic Graph Structure Learning
• Title（参考訳）: タスク駆動型不テロ親和性グラフ構造学習
• Authors: Ayushman Raghuvanshi, Gonzalo Mateos, Sundeep Prabhakar Chepuri,
• Abstract要約: グラフニューラルネットワーク(GNN)は、異種グラフの識別ノード表現を学習するのにしばしば苦労する。 本稿では,エンドツーエンドのグラフ推論フレームワークであるFgGSLを提案する。
• 参考スコア（独自算出の注目度）: 30.767828037086844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) often struggle to learn discriminative node representations for heterophilic graphs, where connected nodes tend to have dissimilar labels and feature similarity provides weak structural cues. We propose frequency-guided graph structure learning (FgGSL), an end-to-end graph inference framework that jointly learns homophilic and heterophilic graph structures along with a spectral encoder. FgGSL employs a learnable, symmetric, feature-driven masking function to infer said complementary graphs, which are processed using pre-designed low- and high-pass graph filter banks. A label-based structural loss explicitly promotes the recovery of homophilic and heterophilic edges, enabling task-driven graph structure learning. We derive stability bounds for the structural loss and establish robustness guarantees for the filter banks under graph perturbations. Experiments on six heterophilic benchmarks demonstrate that FgGSL consistently outperforms state-of-the-art GNNs and graph rewiring methods, highlighting the benefits of combining frequency information with supervised topology inference.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、しばしば異種グラフの識別ノード表現を学ぶのに苦労する。 周波数誘導グラフ構造学習(FgGSL)を提案する。これは、スペクトルエンコーダとともに、ホモ親和性およびヘテロ親和性グラフ構造を共同で学習するエンドツーエンドグラフ推論フレームワークである。 FgGSLは学習可能で対称な特徴駆動型マスキング関数を用いて、前設計した低域グラフフィルタバンクと高域グラフフィルタバンクを用いて処理される相補グラフを推論する。 ラベルに基づく構造的損失は、ホモフィリックなエッジとヘテロフィリックなエッジの回復を明示的に促進し、タスク駆動グラフ構造学習を可能にする。 我々は、構造損失に対する安定性境界を導出し、グラフ摂動下でのフィルタバンクの堅牢性を保証する。 6つのヘテロ親和性ベンチマークの実験により、FgGSLは最先端のGNNとグラフ再配線法を一貫して上回り、周波数情報と教師付きトポロジ推論を組み合わせる利点を強調している。

関連論文リスト

• GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [47.674647127050186]
  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から学習する上で大きな成功を収めている。 本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
  論文  参考訳（メタデータ） (2025-07-24T15:45:26Z)
• 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)
• GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• Towards Robust Graph Structural Learning Beyond Homophily via Preserving Neighbor Similarity [26.990618075974485]
  グラフに基づく学習システムの脆弱性について, ホモフィリディエンスに関係なく検討する。 本稿では,グラフマイニングモジュールとして有用な新しいグラフ構造学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-01-18T06:57:29Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)

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。