論文の概要: Bayesian Neighborhood Adaptation for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2602.05358v1
• Date: Thu, 05 Feb 2026 06:29:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.787422
• Title: Bayesian Neighborhood Adaptation for Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークのベイズ近傍適応
• Authors: Paribesh Regmi, Rui Li, Kishan K C,
• Abstract要約: ホモ親和性グラフとヘテロ親和性グラフの両方に対して、アグリゲーションプロセスの適切な近傍範囲を決定する方法を示す。 本稿では,グラフ上でのGNNのメッセージパッシング動作をプロセスとしてモデル化し,ホップの数をベータプロセスとして扱うことを提案する。 ベンチマークホモ親和性およびヘテロ親和性データセットの実験により、提案手法は最先端のGNN変種と互換性があることが示されている。
• 参考スコア（独自算出の注目度）: 4.874715731414692
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The neighborhood scope (i.e., number of hops) where graph neural networks (GNNs) aggregate information to characterize a node's statistical property is critical to GNNs' performance. Two-stage approaches, training and validating GNNs for every pre-specified neighborhood scope to search for the best setting, is a time-consuming task and tends to be biased due to the search space design. How to adaptively determine proper neighborhood scopes for the aggregation process for both homophilic and heterophilic graphs remains largely unexplored. We thus propose to model the GNNs' message-passing behavior on a graph as a stochastic process by treating the number of hops as a beta process. This Bayesian framework allows us to infer the most plausible neighborhood scope for message aggregation simultaneously with the optimization of GNN parameters. Our theoretical analysis shows that the scope inference improves the expressivity of a GNN. Experiments on benchmark homophilic and heterophilic datasets show that the proposed method is compatible with state-of-the-art GNN variants, achieving competitive or superior performance on the node classification task, and providing well-calibrated predictions.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)が情報を集約してノードの統計特性を特徴づける近傍範囲(すなわちホップ数)は、GNNのパフォーマンスに不可欠である。 2段階のアプローチ、すなわち、最良設定を探索するための事前指定された各エリアのGNNのトレーニングと検証は、時間を要する作業であり、検索空間の設計のためにバイアスがかかる傾向にある。 ホモフィルグラフとヘテロフィルグラフの両方のアグリゲーションプロセスの適切な近傍範囲を適応的に決定する方法は、明らかにされていない。 そこで我々は,グラフ上でのGNNのメッセージパッシング動作を確率的プロセスとしてモデル化し,ホップの数をベータプロセスとして扱うことを提案する。 このベイズフレームワークにより、GNNパラメータの最適化と同時に、メッセージアグリゲーションの最も有効な地区範囲を推測できる。 理論的解析により,GNNの表現性の向上が示唆された。 ベンチマークホモ親和性およびヘテロ親和性データセットの実験により、提案手法は最先端のGNN変種と互換性があり、ノード分類タスクにおける競合性や優れた性能を実現し、よく校正された予測を提供することを示した。

関連論文リスト

• 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)
• GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
  本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。 本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。 DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
  論文  参考訳（メタデータ） (2023-10-23T05:51:59Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• On Local Aggregation in Heterophilic Graphs [11.100606980915144]
  我々は,従来のGNNと多層パーセプトロンを適切に調整した手法が,ヘテロ親和性グラフ上の最近の長距離アグリゲーション手法の精度に適合しているか,あるいは超越しているかを示す。 本稿では,新しい情報理論グラフ計量であるNativeborhood Information Content(NIC)メトリックを提案する。
  論文  参考訳（メタデータ） (2021-06-06T19:12:31Z)
• 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)
• Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
  グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。 提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
  論文  参考訳（メタデータ） (2020-06-07T07:06:35Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。