論文の概要: Graph Negative Feedback Bias Correction Framework for Adaptive Heterophily Modeling

• arxiv url: http://arxiv.org/abs/2603.03662v1
• Date: Wed, 04 Mar 2026 02:34:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.161035
• Title: Graph Negative Feedback Bias Correction Framework for Adaptive Heterophily Modeling
• Title（参考訳）: 適応的ヘテロフィリーモデリングのためのグラフ負フィードバックバイアス補正フレームワーク
• Authors: Jiaqi Lv, Qingfeng Du, Yu Zhang, Yongqi Han, Sheng Li,
• Abstract要約: 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処理するための強力なフレームワークとして登場した。 GNNは本質的にホモフィリー仮定によって制限され、不均一グラフの性能が低下する。 本稿では,グラフ負のフィードバックバイアス補正(GNFBC)を提案する。
• 参考スコア（独自算出の注目度）: 15.157616444432563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have emerged as a powerful framework for processing graph-structured data. However, conventional GNNs and their variants are inherently limited by the homophily assumption, leading to degradation in performance on heterophilic graphs. Although substantial efforts have been made to mitigate this issue, they remain constrained by the message-passing paradigm, which is inherently rooted in homophily. In this paper, a detailed analysis of how the underlying label autocorrelation of the homophily assumption introduces bias into GNNs is presented. We innovatively leverage a negative feedback mechanism to correct the bias and propose Graph Negative Feedback Bias Correction (GNFBC), a simple yet effective framework that is independent of any specific aggregation strategy. Specifically, we introduce a negative feedback loss that penalizes the sensitivity of predictions to label autocorrelation. Furthermore, we incorporate the output of graph-agnostic models as a feedback term, leveraging independent node feature information to counteract correlation-induced bias guided by Dirichlet energy. GNFBC can be seamlessly integrated into existing GNN architectures, improving overall performance with comparable computational and memory overhead.
• Abstract（参考訳）: 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処理するための強力なフレームワークとして登場した。 しかし、従来のGNNとその変種は本質的にホモフィリーな仮定によって制限され、ヘテロ親和グラフの性能が低下する。 この問題を緩和するためにかなりの努力がなされているが、本質的にはホモフィリーに根ざしたメッセージパッシングパラダイムに制約されている。 本稿では, ホモフィリー仮定のラベル自己相関がGNNにどのようにバイアスをもたらすのかを詳細に分析する。 偏見を補正する負のフィードバック機構を革新的に活用し,グラフ負のフィードバックバイアス補正(GNFBC: Graph Negative Feedback Bias Correction)を提案する。 具体的には,自己相関をラベル付けするための予測の感度を低下させる負のフィードバック損失を導入する。 さらに,グラフ非依存モデルの出力をフィードバック項として,独立ノード特徴情報を利用してディリクレエネルギーによって導かれる相関バイアスに対処する。 GNFBCは既存のGNNアーキテクチャにシームレスに統合することができ、計算とメモリのオーバーヘッドに匹敵するパフォーマンスを向上させることができる。

関連論文リスト

• Exploring Topological Bias in Heterogeneous Graph Neural Networks [7.802456101518216]
  不均一グラフニューラルネットワーク(HGNN)は、グラフ構造化データを処理する能力によって特徴付けられる。 半教師付き学習ではラベルの広さのため、特定のノードに偏りのある性能を示すことが判明した。 本稿では,ノードのマッピング値の差分に基づくデバイアス構造を提案し,それと元のグラフ構造を対比学習に用いる。
  論文  参考訳（メタデータ） (2025-12-04T04:14:50Z)
• A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
  署名されたグラフの枠組みに基づく統一的な理論的視点を示す。 既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。 本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:25:36Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Design Your Own Universe: A Physics-Informed Agnostic Method for Enhancing Graph Neural Networks [34.16727363891593]
  グラフニューラルネットワーク(GNN)のためのモデルに依存しない拡張フレームワークを提案する。 このフレームワークは、追加ノードを導入し、負の重み付けと負の重み付けの両方で接続を切り替えることでグラフ構造を豊かにする。 提案手法によって強化されたGNNが,過度にスムースな問題を効果的に回避し,過度なスキャッシングに対する堅牢性を示すことを理論的に検証する。 好中球グラフ,ヘテロ親和性グラフ,長期グラフデータセットのベンチマークにおける実証的検証により,本手法により強化されたGNNが元のグラフよりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2024-01-26T00:47:43Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Debiasing Graph Neural Networks via Learning Disentangled Causal Substructure [46.86463923605841]
  本稿では、重度バイアスのあるトレーニンググラフについて、グラフ分類調査を行う。 我々は、GNNが常に決定を下すために急激な相関関係を探索する傾向があることに気付きました。 本稿では、因果部分構造とバイアス部分構造を学習するための一般的な非絡み合いGNNフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-28T13:55:52Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Implicit vs Unfolded Graph Neural Networks [29.803948965931212]
  暗黙的かつ展開的なGNNは、異なる規則間で強いノード分類精度が得られることを示す。 IGNNはメモリ効率がかなり高いが、UGNNモデルはユニークで統合されたグラフアテンション機構と伝搬規則をサポートしている。
  論文  参考訳（メタデータ） (2021-11-12T07:49:16Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)

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。