論文の概要: $P^2$GNN: Two Prototype Sets to boost GNN Performance

• arxiv url: http://arxiv.org/abs/2603.09195v1
• Date: Tue, 10 Mar 2026 05:10:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.047786
• Title: $P^2$GNN: Two Prototype Sets to boost GNN Performance
• Title（参考訳）: P^2$GNN: GNNのパフォーマンス向上を目的とした2つのプロトタイプセット
• Authors: Arihant Jain, Gundeep Arora, Anoop Saladi, Chaosheng Dong,
• Abstract要約: 我々はプロトタイプを利用してメッセージパッシングを最適化するプラグイン・アンド・プレイ技術である$P2$GNNを紹介した。 プロプライエタリなEコマースデータセットやオープンソースデータセットなど、18のデータセットにわたる広範な実験を行っています。 その結果、$P2$GNNはeコマースのプロダクションモデルより優れており、オープンソースデータセットの平均ランクは最高であることがわかった。
• 参考スコア（独自算出の注目度）: 16.94853903148634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Message Passing Graph Neural Networks (MP-GNNs) have garnered attention for addressing various industry challenges, such as user recommendation and fraud detection. However, they face two major hurdles: (1) heavy reliance on local context, often lacking information about the global context or graph-level features, and (2) assumption of strong homophily among connected nodes, struggling with noisy local neighborhoods. To tackle these, we introduce $P^2$GNN, a plug-and-play technique leveraging prototypes to optimize message passing, enhancing the performance of the base GNN model. Our approach views the prototypes in two ways: (1) as universally accessible neighbors for all nodes, enriching global context, and (2) aligning messages to clustered prototypes, offering a denoising effect. We demonstrate the extensibility of our proposed method to all message-passing GNNs and conduct extensive experiments across 18 datasets, including proprietary e-commerce datasets and open-source datasets, on node recommendation and node classification tasks. Results show that $P^2$GNN outperforms production models in e-commerce and achieves the top average rank on open-source datasets, establishing it as a leading approach. Qualitative analysis supports the value of global context and noise mitigation in the local neighborhood in enhancing performance.
• Abstract（参考訳）: メッセージパッシンググラフニューラルネットワーク(MP-GNN)は、ユーザレコメンデーションや不正検出など、さまざまな業界の課題に対処するために注目を集めている。 しかし、2つの大きなハードルに直面している:(1) 局所的な文脈に大きく依存し、しばしばグローバルな文脈やグラフレベルの特徴に関する情報を欠いている。 これを解決するために,プロトタイプを利用してメッセージパッシングを最適化し,基本GNNモデルの性能を向上させるプラグイン・アンド・プレイ技術である$P^2$GNNを導入する。 提案手法では,(1)全ノードに共通にアクセス可能な隣人,(2)グローバルコンテキストの充実,(2)クラスタ化されたプロトタイプへのメッセージの整合,という2つの方法でプロトタイプを考察する。 提案手法のすべてのメッセージパスGNNへの拡張性を実証し、ノードレコメンデーションやノード分類タスクにおいて、プロプライエタリなEコマースデータセットやオープンソースデータセットを含む18のデータセットにわたる広範な実験を行う。 その結果、$P^2$GNNはeコマースにおける生産モデルより優れており、オープンソースデータセット上での最高ランクを達成し、主要なアプローチとして確立していることがわかった。 質的分析は, 地域住民の環境・騒音の低減に寄与し, 性能向上に寄与する。

関連論文リスト

• ADMP-GNN: Adaptive Depth Message Passing GNN [27.795209620648198]
  グラフニューラルネットワーク(GNN)の重要な特徴は、すべてのノードに対して固定数のメッセージパスステップを使用することである。 本稿では,各ノードのメッセージパッシング層数を動的に調整する新しいフレームワークであるAdaptive Depth Message Passing GNN (ADMP-GNN)を提案する。 我々は,ノード分類タスク上でADMP-GNNを評価し,ベースラインGNNモデルの性能改善を観察する。
  論文  参考訳（メタデータ） (2025-09-01T06:42:19Z)
• Graph Neural Networks Powered by Encoder Embedding for Improved Node Learning [17.31465642587528]
  グラフニューラルネットワーク(GNN)は、幅広いノードレベルのグラフ学習タスクのための強力なフレームワークとして登場した。 本稿では,1ホットグラフエンコーダ埋め込み (GEE) という統計的手法を用いて,高品質な初期ノード特徴を生成する。 本研究では,教師なし環境と教師なし環境の両方にまたがる広範囲なシミュレーションと実世界の実験を通して,その効果を実証する。
  論文  参考訳（メタデータ） (2025-07-15T21:01:54Z)
• Modality-Independent Graph Neural Networks with Global Transformers for Multimodal Recommendation [59.4356484322228]
  グラフニューラルネットワーク(GNN)はこの領域で有望なパフォーマンスを示している。 我々は,独立した受容場を持つGNNを別々に採用したModality-Independent Receptive Fieldsを用いたGNNを提案する。 以上の結果から,特定のデータセットの特定のモダリティに対して最適な$K$は,GNNのグローバルな情報取得能力を制限する1または2以下であることが示唆された。
  論文  参考訳（メタデータ） (2024-12-18T16:12:26Z)
• 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)
• Generalizing Aggregation Functions in GNNs:High-Capacity GNNs via Nonlinear Neighborhood Aggregators [14.573383849211773]
  グラフニューラルネットワーク(GNN)は多くのグラフ学習タスクで大きな成功を収めている。 既存のGNNは主に、メッセージの伝搬に線形近傍集約(平均,sum)または最大アグリゲータ(max aggregator)を採用する。 我々は、GNNにおけるメッセージ伝達機構を再考し、GNNにおける近隣情報集約のための一般的な非線形アグリゲータの開発を目指す。
  論文  参考訳（メタデータ） (2022-02-18T11:49:59Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Local Augmentation for Graph Neural Networks [78.48812244668017]
  本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。 局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
  論文  参考訳（メタデータ） (2021-09-08T18:10:08Z)
• 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)

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。