論文の概要: Cost-Sensitive Neighborhood Aggregation for Heterophilous Graphs: When Does Per-Edge Routing Help?

• arxiv url: http://arxiv.org/abs/2603.24291v2
• Date: Mon, 30 Mar 2026 20:07:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.152197
• Title: Cost-Sensitive Neighborhood Aggregation for Heterophilous Graphs: When Does Per-Edge Routing Help?
• Title（参考訳）: Heterophilous Graphs におけるコスト-センシティブな近隣集合 : エッジ単位のルーティングはいつ役に立つか?
• Abstract要約: CSNA(Cost-Sensitive Neighborhood Aggregation)は、学習プロジェクションにおいて、一対の距離を計算するGNN層である。 平均アグリゲーションは、不均一な条件下でラベルに整列した信号方向を逆転させることができることを示す。 CSNAは、敵対的ヘテロフィリーデータセットの最先端の手法と競合する。
• 参考スコア（独自算出の注目度）: 0.913755431537592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work distinguishes two heterophily regimes: adversarial, where cross-class edges dilute class signal and harm classification, and informative, where the heterophilous structure itself carries useful signal. We ask: when does per-edge message routing help, and when is a uniform spectral channel sufficient? To operationalize this question we introduce Cost-Sensitive Neighborhood Aggregation (CSNA), a GNN layer that computes pairwise distance in a learned projection and uses it to soft-route each message through concordant and discordant channels with independent transformations. Under a contextual stochastic block model we show that mean aggregation can reverse the label-aligned signal direction under heterophily, and that cost-sensitive weighting with $w_+/w_- > q/p$ preserves the correct sign. On six benchmarks with uniform tuning, CSNA is competitive with state-of-the-art methods on adversarial-heterophily datasets (Texas, Wisconsin, Cornell, Actor) but underperforms on informative-heterophily datasets (Chameleon, Squirrel) -- precisely the regime where per-edge routing has no useful decomposition to exploit. The pattern is itself the finding: the cost function's ability to separate edge types serves as a diagnostic for the heterophily regime, revealing when fine-grained routing adds value over uniform channels and when it does not. Code is available at https://github.com/eyal-weiss/CSNA-public .
• Abstract（参考訳）: 最近の研究は、異種間縁が希薄なクラス信号と有害な分類を行う逆境と、異種構造自体が有用な信号を運ぶ情報という2つの異種関係を区別している。 エッジメッセージ毎のルーティングはいつ役に立ちますか? CSNA(Cost-Sensitive Neighborhood Aggregation)は、学習したプロジェクションのペア距離を計算し、独立な変換を伴うコンコーダントチャネルと不協和チャネルを通じて各メッセージをソフトローテーションするGNN層である。 文脈確率的ブロックモデルでは、平均アグリゲーションがラベルに沿った信号方向をヘテロフィリエで反転させることができること、そして、$w_+/w_-> q/p$ のコスト感受性重み付けが正しい符号を保存することを示す。 均一なチューニングを伴う6つのベンチマークでは、CSNAは、敵対的ヘテロフィアデータセット(テキサス、ウィスコンシン、コーネル、アクター)の最先端の手法と競合するが、情報的ヘテロフィアデータセット(Chameleon、Squirrel)では不足している。 コスト関数がエッジタイプを分離する能力は、ヘテロフィリーなレシエーションの診断として機能し、きめ細かいルーティングが均一なチャネルに値を加え、そうでない場合を明らかにする。 コードはhttps://github.com/eyal-weiss/CSNA-publicで公開されている。

関連論文リスト

• ChorusTIC: Training-Free Multivariate Time Series Classification via Chorus In-Context Learning [52.72143039958434]
  異種チャネル構成にまたがるコンテキスト内分類のための分類ネイティブ基盤モデルであるChorusticを導入する。 Chorusticは、可変チャネル構成を元のチャネルカウントとは無関係に固定幅の表現にマッピングする。 コンテキスト由来の分布を使って機能軸を校正し、リーク保護されたコンテキスト内学習を通じてクエリラベルを予測する。
  論文  参考訳（メタデータ） (2026-08-25T03:45:24Z)
• Curvature-Guided Sheaf Diffusion for Unsupervised Community Detection on Heterophilic Graphs [3.7082032592028207]
  Curvature-Guided Sheaf Diffusionは、完全に教師なしのコミュニティ検出アルゴリズムである。 各エッジの離散Forman--Ricci曲率を1つの位相信号として使用する。 5つの異好性のベンチマークで、CGSDはウィスコンシン州とシャメレオン州で勝利した。
  論文  参考訳（メタデータ） (2026-06-29T12:58:20Z)
• Geometric Gradient Rectification for Safe Open-Set Semi-Supervised Learning [15.386002863432678]
  オープンセット半教師付き学習は、アウト・オブ・ディストリビューション・アウトリーを含む可能性のあるラベルのないデータを活用することを目的としている。 既存の手法は主に、疑わしいサンプルをフィルタリングするか、ラベルなしの目的をソフトな重み付けに組み込むという2つのパラダイムに従っている。 攻撃的フィルタリングは情報的だがハードなIDサンプルを捨てることが可能であり、一方、利用は疑似ラベルが間違っている場合に教師付き学習と矛盾する補助的な勾配を導入することができる。 教師付き勾配をアンカーとして使用するプラグインフレームワークである textitGeometric Gradient Rectification (GGR) を提案する。
  論文  参考訳（メタデータ） (2026-06-25T12:45:42Z)
• Beyond Distribution Estimation: Simplex Anchored Structural Inference Towards Universal Semi-Supervised Learning [47.92504362652887]
  半教師付き学習は、ラベル付きデータが不足し、ラベルなしデータが未知の任意の分布に従う現実的なシナリオにおいて重大な課題に直面している。 我々は、Universal Semi-supervised Learning (UniSSL)として、批判的ながら未探索のパラダイムを定式化する。 本稿では,信頼度の高い擬似ラベルを優先するための分布非依存指標に基づく重み付け戦略と,誤用する可能性のある擬似ラベルを分離するための補助分岐を導入する。
  論文  参考訳（メタデータ） (2026-05-08T10:33:09Z)
• Minimax Optimality and Spectral Routing for Majority-Vote Ensembles under Markov Dependence [6.908972852063454]
  主要声楽アンサンブルは、多種多様なほぼ独立した基礎学習者に対して平均化することにより、ばらつきの低減を実現する。 固定次元マルコフ集合における離散的な分類のために、この現象のミニマックス的特徴付けを行う。 合成マルコフ連鎖、2次元空間格子、128データセットのUCRアーカイブ、アタリDQNアンサンブルに関する実験は、理論的な予測を検証している。
  論文  参考訳（メタデータ） (2026-04-15T02:32:30Z)
• XFACTORS: Disentangled Information Bottleneck via Contrastive Supervision [37.140199946294565]
  textscXFactorsは弱制御されたVAEフレームワークで、選択された要素のセットを乱し、明示的に制御する。 提案手法は遅延容量の増加とともに精度良くスケールし,実世界のデータセットCelebAで評価する。
  論文  参考訳（メタデータ） (2026-01-29T13:20:48Z)
• DAG DECORation: Continuous Optimization for Structure Learning under Hidden Confounding [0.0]
  本研究では, 線形ガウスSEMの構造学習について検討した。 我々は,DAGと相関雑音モデルとを共同で学習する単一の可能性に基づく推定器であるtextscDECORを提案する。
  論文  参考訳（メタデータ） (2025-10-02T15:23:30Z)
• Federated Spatiotemporal Graph Learning for Passive Attack Detection in Smart Grids [2.721477719641864]
  本稿では,時間的ウィンドウ上で物理層と行動指標を融合させて受動的攻撃を検出するグラフ中心型マルチモーダル検出器を提案する。 テスト精度は98.32%、シーケンス毎の93.35%を0.15% FPRで達成している。
  論文  参考訳（メタデータ） (2025-09-29T08:52:30Z)
• Understanding Heterophily for Graph Neural Networks [42.640057865981156]
  グラフニューラルネットワーク(GNN)における異方性パターンの影響に関する理論的理解について述べる。 分離性ゲインは、$l$の近隣分布の正規化距離によって決定されることを示す。 合成データと実世界のデータの両方の実験により、我々の理論の有効性が検証された。
  論文  参考訳（メタデータ） (2024-01-17T11:01:28Z)
• Heterophily-Aware Graph Attention Network [42.640057865981156]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。 既存のヘテロフィル性GNNは、各エッジのヘテロフィリのモデリングを無視する傾向にあり、これはヘテロフィリ問題に取り組む上でも不可欠である。 本稿では,局所分布を基礎となるヘテロフィリーとして完全に探索し,活用することで,新たなヘテロフィア対応グラフ注意ネットワーク(HA-GAT)を提案する。
  論文  参考訳（メタデータ） (2023-02-07T03:21:55Z)
• Robust One-Class Classification with Signed Distance Function using 1-Lipschitz Neural Networks [3.5598973787043726]
  我々は,一クラス分類(OCC)を行うために,一クラス符号距離関数(OCSDF)と呼ばれる新しい手法を提案する。 サポートへの距離は正規性スコアと解釈でき、1-Lipschitzニューラルネットワークによる近似は、$l2$の敵攻撃に対するバウンダリを提供する。
  論文  参考訳（メタデータ） (2023-01-26T15:40:10Z)
• RAW-GNN: RAndom Walk Aggregation based Graph Neural Network [48.139599737263445]
  本稿では,新しいアグリゲーション機構を導入し,RAndom Walk Aggregation-based Graph Neural Network(RAW-GNN)法を提案する。 提案手法は,広義のランダムウォークサーチを用いて,ホモフィリー情報と深さ優先の探索を行い,ヘテロフィリー情報を収集する。 従来の地区をパスベースの地区に置き換え、リカレントニューラルネットワークに基づく新しい経路ベースのアグリゲータを導入する。
  論文  参考訳（メタデータ） (2022-06-28T12:19:01Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• Class-Attentive Diffusion Network for Semi-Supervised Classification [27.433021864424266]
  Class-Attentive Diffusion Network (CAD-Net) は、半教師付き分類のためのグラフニューラルネットワークである。 本稿では,Kホップ近傍のノードを適応的に集約する新しいアグリゲーション手法を提案する。 提案手法の有効性を連続的に示す7つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-18T01:14:08Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• Uncertainty-Aware Consistency Regularization for Cross-Domain Semantic Segmentation [63.75774438196315]
  Unsupervised Domain adapt (UDA) は、未ラベルのデータのみを持つ新しいターゲットドメインにソースドメインの既存のモデルを適用することを目的としている。 既存のほとんどの手法は、エラーを起こしやすい識別器ネットワークまたは不合理な教師モデルから生じる顕著な負の伝達に悩まされている。 ドメイン間セマンティックセグメンテーションのための不確実性を考慮した整合性正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-04-19T15:30:26Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。