論文の概要: TypeBandit: Type-Level Context Allocation and Reweighting for Effective Attribute Completion in Heterogeneous Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2604.27356v1
• Date: Thu, 30 Apr 2026 03:13:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.895314
• Title: TypeBandit: Type-Level Context Allocation and Reweighting for Effective Attribute Completion in Heterogeneous Graph Neural Networks
• Title（参考訳）: TypeBandit: 異種グラフニューラルネットワークにおける効果的な属性補完のためのタイプレベルコンテキスト割当と再重み付け
• Authors: Ta-Yang Wang, Rajgopal Kannan, Viktor Prasanna,
• Abstract要約: TypeBanditは、異種属性補完のための軽量でモデルに依存しない方法論である。 各ノードのローカルな近傍ではなく、タイプレベルで動作している。 DBLP、IMDB、ACM上の固定スプリットプロトコルでは、TypeBanditはデータセットに依存しているが事実上有意義なゲインを提供する。
• 参考スコア（独自算出の注目度）: 4.974612243038232
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous graphs are widely used to model multi-relational systems, but missing node attributes remain a major bottleneck for downstream learning. In this paper, we identify and formalize type-dependent information asymmetry: the phenomenon that different node types provide substantially different levels of useful signal for attribute completion. Motivated by this observation, we propose TypeBandit, a lightweight, model-agnostic methodology for heterogeneous attribute completion. TypeBandit combines topology-aware initialization, type-level bandit sampling, and joint representation learning. It allocates a finite global sampling budget across node types, samples representative nodes within each type, and uses the resulting sampled type summaries as shared contextual signals during representation construction. By operating at the type level rather than over each target node's local neighborhood, TypeBandit keeps the adaptive state compact and practical for large heterogeneous graphs. A key advantage of TypeBandit is architectural flexibility. Rather than requiring a new heterogeneous graph neural network architecture, TypeBandit acts as a type-aware front end for representative heterogeneous GNN backbones, including R-GCN, HetGNN, HGT, and SimpleHGN. We further introduce a hybrid pretraining scheme that combines structural degree priors with feature propagation, yielding a more reliable initializer than degree-only pretraining. Under a fixed-split protocol on DBLP, IMDB, and ACM, TypeBandit provides dataset-dependent but practically meaningful gains. Additional ablation, stability, efficiency, semantic-propagation, and sampled OGBN-MAG experiments support TypeBandit as a practical strategy for heterogeneous attribute completion when type-specific information is unevenly distributed and sampling resources are limited.
• Abstract（参考訳）: 不均一グラフはマルチリレーショナルシステムのモデル化に広く用いられているが、ノード属性の欠如は下流学習の大きなボトルネックである。 本稿では、異なるノードタイプが属性補完に有用な信号のレベルを著しく異なるものにする現象であるタイプ依存情報非対称性を特定し、定式化する。 この観測によって得られたTypeBanditは、不均一な属性補完のための軽量でモデルに依存しない手法である。 TypeBanditは、トポロジを意識した初期化、タイプレベルのバンディットサンプリング、共同表現学習を組み合わせたものだ。 ノードタイプにまたがる有限のグローバルサンプリング予算を割り当て、各タイプ内の代表ノードをサンプリングし、結果のサンプル型要約を表現構築中に共有されたコンテキスト信号として使用する。 各ノードの局所的な近傍ではなく、タイプレベルで操作することで、TypeBanditは適応状態をコンパクトに保ち、大きな異種グラフに対して実用的である。 TypeBanditの重要な利点は、アーキテクチャの柔軟性である。 新しいヘテロジニアスグラフニューラルネットワークアーキテクチャを必要とするのではなく、TypeBanditはR-GCN、HetGNN、HGT、SimpleHGNを含む、代表ヘテロジニアスGNNバックボーンのタイプアウェアフロントエンドとして機能する。 さらに、構造次数と特徴伝播を結合したハイブリッド事前学習方式を導入し、次数限定事前学習よりも信頼性の高い初期化手法を提案する。 DBLP、IMDB、ACM上の固定スプリットプロトコルでは、TypeBanditはデータセットに依存しているが事実上有意義なゲインを提供する。 追加のアブレーション、安定性、効率性、セマンティックプロパゲーション、サンプルOGBN-MAG実験は、型固有情報が不均一に分散され、サンプリングリソースが制限されたときに、不均一な属性補完のための実用的な戦略としてTypeBanditをサポートする。

関連論文リスト

• Limits of message passing for node classification: How class-bottlenecks restrict signal-to-noise ratio [0.6117371161379209]
  メッセージパッシングニューラルネットワーク(MPNN)はノード分類の強力なモデルであるが、グラフのヘテロフィリーおよび構造的ボトルネックの下でのパフォーマンス制限に悩まされている。 本稿では,MPNN表現の信号対雑音比(SNR)を用いて,ヘテロフィリとボトルネックの関係を明らかにする。 高次ホモフィリーを最大化するための最適グラフ構造は、単クラスおよび二クラス二部体の解離結合であることを示す。 これにより、全てのホモフィリーにおけるほぼ完璧な分類精度を達成するグラフアンサンブルに基づく再配線アルゴリズムBRIDGEが得られる。
  論文  参考訳（メタデータ） (2025-08-25T09:25:14Z)
• Automated Heterogeneous Network learning with Non-Recursive Message Passing [9.696905142991659]
  異種情報ネットワーク(HIN)は、様々な現実世界のシステムをモデル化するために用いられる。 不均一なケースでグラフニューラルネットワーク(GNN)を直接適用するのは簡単ではない。 我々は,有効な異種情報を直接利用し,自動抽出する新しいフレームワーク,AutoGNRを開発した。
  論文  参考訳（メタデータ） (2025-01-10T14:26:10Z)
• Zero-shot Generalist Graph Anomaly Detection with Unified Neighborhood Prompts [21.05107001235223]
  グラフ異常検出(GAD)は、通常のパターンから著しく逸脱したグラフ内のノードを特定することを目的としている。 既存のGADメソッドは、1-model-for-one-datasetアプローチである。 ゼロショット・ジェネラリストの新規なGADアプローチUNPromptを提案する。
  論文  参考訳（メタデータ） (2024-10-18T22:23:59Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• BMD: A General Class-balanced Multicentric Dynamic Prototype Strategy for Source-free Domain Adaptation [74.93176783541332]
  Source-free Domain Adaptation (SFDA)は、トレーニング済みのソースモデルを、十分にラベル付けされたソースデータにアクセスすることなく、未ラベルのターゲットドメインに適応することを目的としている。 ソースデータの欠如を補うため、既存のほとんどのメソッドは、機能プロトタイプベースの擬似ラベル戦略を導入した。 SFDAタスクのための汎用クラスベース多中心動的プロトタイプ戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-06T13:23:02Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Hierarchical Prototype Networks for Continual Graph Representation Learning [90.78466005753505]
  本稿では,連続的に拡張されたグラフを表現するために,プロトタイプの形式で抽象的な知識のレベルを抽出する階層型プロトタイプネットワーク(HPN)を提案する。 我々はHPNが最先端のベースライン技術を上回るだけでなく、メモリ消費も比較的少ないことを示した。
  論文  参考訳（メタデータ） (2021-11-30T14:15:14Z)
• HMSG: Heterogeneous Graph Neural Network based on Metapath Subgraph Learning [2.096172374930129]
  我々はHMSGという新しい異種グラフニューラルネットワークモデルを提案する。 異種グラフを複数の部分グラフに分解する。 各サブグラフは、特定の意味情報と構造情報を関連付ける。 タイプ固有の属性変換を通じて、ノード属性を異なるタイプのノード間で転送することもできる。
  論文  参考訳（メタデータ） (2021-09-07T05:02:59Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)

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。