論文の概要: Layer Embedding Deep Fusion Graph Neural Network

• arxiv url: http://arxiv.org/abs/2604.23324v1
• Date: Sat, 25 Apr 2026 14:25:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.271163
• Title: Layer Embedding Deep Fusion Graph Neural Network
• Title（参考訳）: ディープフュージョングラフニューラルネットワークを用いた層埋め込み
• Authors: Taihua Xu, Genhao Tian, Jicong Fan, Xibei Yang, Qinghua Zhang, Yun Cui,
• 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からの学習表現において,優れた性能を示す。 本稿では,Deep Fusion Graph Neural Network (LEDF-GNN) と呼ばれる新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 25.30982656886312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have demonstrated impressive performance in learning representations from graph-structured data. However, their message-passing mechanism inherently relies on the assumption of label consistency among connected nodes, limiting their applicability to low-homophily settings. Moreover, since message passing operates as a hierarchical diffusion process, GNNs face challenges in capturing long-range dependencies. As network depth increases, the structural noise along heterophilic edges tends to be amplified, resulting in over-smoothing. This issue becomes especially prominent in highly heterophilic graphs, where the propagation of inconsistent semantics across the topology continually exacerbates misaggregation. To address this issue, we propose a novel framework named Layer Embedding Deep Fusion Graph Neural Network (LEDF-GNN). Specifically, we design a Layer Embedding Deep Fusion (LEDF) operator that nonlinearly fuses multi-layer embeddings to capture inter-layer dependencies and effectively alleviate deep propagation degradation. Meanwhile, to mitigate structural heterophily, LEDF-GNN employs a Dual-Topology Parallel Strategy (DTPS) that simultaneously leverages the original and reconstructed topologies, allowing for adaptive structure-semantics co-optimization under diverse homophily conditions. Extensive semi-supervised classification experiments on the citation and image benchmarks demonstrate that, under both homophilic and heterophilic settings, LEDF-GNN consistently outperforms state-of-the-art baselines, validating its effectiveness and generalization capability across diverse graph types.
• 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からの学習表現において,優れた性能を示す。 しかしながら、メッセージパッシング機構は本質的には、接続ノード間のラベル一貫性の仮定に依存しており、その適用性は低いホモフィリ設定に制限される。 さらに、メッセージパッシングは階層的な拡散プロセスとして機能するため、GNNは長距離依存関係をキャプチャする際の課題に直面している。 ネットワークの深さが増加するにつれて、不均一なエッジに沿った構造ノイズは増幅される傾向にあり、結果として過度に滑らかになる。 この問題は、トポロジーにまたがる一貫性のない意味論の伝播が、しばしば誤凝集を悪化させる、高度にヘテロ親和性のあるグラフにおいて特に顕著である。 この問題に対処するため,我々はLayer Embedding Deep Fusion Graph Neural Network (LEDF-GNN) という新しいフレームワークを提案する。 具体的には、多層埋め込みを非線形に融合させて層間依存関係を捕捉し、深層伝播劣化を効果的に軽減する層埋め込みディープフュージョン(LEDF)演算子を設計する。 一方、構造的ヘテロフィリーを緩和するため、LEDF-GNNはDual-Topology Parallel Strategy (DTPS)を採用し、元のトポロジと再構成されたトポロジを同時に活用し、多様なホモフィリー条件下での適応的構造意味論的共最適化を可能にする。 引用と画像のベンチマークに関する広範囲にわたる半教師付き分類実験により、同好性および異好性の両方の条件下で、LEDF-GNNは最先端のベースラインを一貫して上回り、その有効性と様々なグラフタイプでの一般化能力を検証している。

関連論文リスト

• Beyond Fixed Depth: Adaptive Graph Neural Networks for Node Classification Under Varying Homophily [10.0426843232642]
  本研究では,局所構造特性とラベル特性を情報伝達ダイナミクスに関連付ける理論的枠組みを開発する。 本稿では,ノード固有の集約深さを動的に選択する適応深度GNNアーキテクチャを提案する。 本手法は, 統一モデルにおけるホモ親和性パターンとヘテロ親和性パターンの両方にシームレスに適応する。
  論文  参考訳（メタデータ） (2025-11-10T01:37:51Z)
• Sheaf Graph Neural Networks via PAC-Bayes Spectral Optimization [13.021238902084647]
  グラフニューラルネットワーク(GNN)のオーバースムース化は、異なるノード機能で崩壊を引き起こす。 SGPC (Sheaf GNNs with PAC-Bayes) は,セルラーシェーフメッセージパッシングと複数のメカニズムを組み合わせた統一アーキテクチャである。 9つのホモ親和性およびヘテロ親和性ベンチマークの実験により、SGPCは最先端スペクトルおよび層ベースGNNよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-08-01T06:39:28Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Directed Homophily-Aware Graph Neural Network [7.539052660225002]
  我々は、ホモフィア認識と指向性を考慮した新しいフレームワーク、Directed Homophily-aware Graph Neural Network (DHGNN)を提案する。 DHGNNは、ホモフィリーレベルと情報性に基づいてメッセージコントリビューションを適応的に変調するリセット可能なゲーティング機構を採用している。 解析により、このゲーティング機構は、方向のホモフィリギャップを捕捉し、層を横切るホモフィリを変動させ、複雑なグラフ構造上のメッセージパッシングの挙動について深い洞察を与えることが示された。
  論文  参考訳（メタデータ） (2025-05-28T13:41:04Z)
• AGNN: Alternating Graph-Regularized Neural Networks to Alleviate Over-Smoothing [29.618952407794776]
  グラフ畳み込み層(GCL)とグラフ埋め込み層(GEL)からなる交代グラフ正規化ニューラルネットワーク(AGNN)を提案する。 GELはラプラシアン埋め込み項を含むグラフ正規化最適化から導かれる。 AGNNは、いくつかの多層または多次グラフニューラルネットワークのパフォーマンス比較を含む、多数の実験を通じて評価されている。
  論文  参考訳（メタデータ） (2023-04-14T09:20:03Z)
• FMGNN: Fused Manifold Graph Neural Network [102.61136611255593]
  グラフ表現学習は、様々なグラフタスクにおいて広く研究され、効果が実証されている。 本稿では,異なるマニフォールドにグラフを埋め込む新しいGNNアーキテクチャであるFused Manifold Graph Neural Network (NN)を提案する。 提案実験により,NNはノード分類およびリンク予測タスクのベンチマークにおいて,強いベースラインよりも優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-04-03T15:38:53Z)
• 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)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)

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。