論文の概要: Robust Learning on Heterogeneous Graphs with Heterophily: A Graph Structure Learning Approach

• arxiv url: http://arxiv.org/abs/2604.27387v1
• Date: Thu, 30 Apr 2026 03:55:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.915506
• Title: Robust Learning on Heterogeneous Graphs with Heterophily: A Graph Structure Learning Approach
• Title（参考訳）: 異種グラフを用いたロバスト学習 : グラフ構造学習アプローチ
• Authors: Yihan Zhang, Ercan E. Kuruoglu,
• Abstract要約: 不均質なグラフは、複雑な現実世界のシステムをモデル化するための強力な抽象化として現れている。 本稿では,不均質グラフ構造と雑音グラフ構造を協調的に扱う統一フレームワークであるヘテロジニアスグラフ統一学習(HGUL)を提案する。 複数のデータセットに対する大規模な実験により、HGULはクリーングラフ上の既存の手法を一貫して上回り、様々な構造的ノイズの下で強い堅牢性を維持することを示した。
• 参考スコア（独自算出の注目度）: 10.65673380743972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous graphs with heterophily have emerged as a powerful abstraction for modeling complex real-world systems, where nodes of different types and labels interact in diverse and often non-homophilous ways. Despite recent advances, robust representation learning for such graphs remains largely unexplored, particularly in the presence of noisy or misleading connectivity. In this work, we investigate this problem and identify structural noise as a critical challenge that significantly degrades model performance. To address this issue, we propose a unified framework, Heterogeneous Graph Unified Learning (HGUL), which jointly handles heterophily and noisy graph structures. The framework consists of three complementary modules: a kNN-based graph construction module that recovers reliable local neighborhoods, a graph structure learning module that adaptively refines the adjacency by filtering noisy edges, and a heterogeneous affinity learning module that captures class-level relationships via an extended affinity matrix derived from a polynomial graph kernel. Extensive experiments on multiple datasets demonstrate that HGUL consistently outperforms existing methods on clean graphs and maintains strong robustness under varying levels of structural noise. The results further underscore the importance of jointly modeling heterophily and noise in heterogeneous graph learning.
• Abstract（参考訳）: 不均質なグラフは複雑な現実世界のシステムをモデル化するための強力な抽象化として現れており、異なるタイプのノードとラベルのノードが多様で、しばしば同種でない方法で相互作用する。 近年の進歩にもかかわらず、そのようなグラフの堅牢な表現学習は、特にノイズや誤解を招く接続性の存在において、ほとんど探索されていない。 そこで本研究では,モデル性能を著しく低下させる重要な課題として,この問題を考察し,構造ノイズを同定する。 この問題に対処するために,不均質グラフ統一学習(HGUL)という統合フレームワークを提案し,不均質グラフ構造と雑音グラフ構造を協調的に扱う。 フレームワークは、3つの相補的なモジュールから構成される:kNNベースのグラフ構築モジュールは信頼性の高い局所近傍を復元し、ノイズエッジをフィルタリングすることで隣接性を適応的に洗練するグラフ構造学習モジュールと、多項式グラフカーネルから派生した拡張親和性行列を介してクラスレベルの関係をキャプチャする異種親和性学習モジュールである。 複数のデータセットに対する大規模な実験により、HGULはクリーングラフ上の既存の手法を一貫して上回り、様々な構造的ノイズの下で強い堅牢性を維持することを示した。 この結果は、不均一グラフ学習において、不均一性とノイズを共同でモデル化することの重要性をさらに強調する。

関連論文リスト

• Task-driven Heterophilic Graph Structure Learning [30.767828037086844]
  グラフニューラルネットワーク(GNN)は、異種グラフの識別ノード表現を学習するのにしばしば苦労する。 本稿では,エンドツーエンドのグラフ推論フレームワークであるFgGSLを提案する。
  論文  参考訳（メタデータ） (2025-12-29T11:59:16Z)
• HiGPT: Heterogeneous Graph Language Model [27.390123898556805]
  不均一グラフ学習は、異種グラフ内のエンティティ間の複雑な関係や多様な意味を捉えることを目的としている。 異種グラフ学習のための既存のフレームワークは、多種多様な異種グラフデータセットをまたいだ一般化に制限がある。 異種グラフ命令チューニングパラダイムを用いた一般的なグラフモデルであるHiGPTを提案する。
  論文  参考訳（メタデータ） (2024-02-25T08:07:22Z)
• GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• Towards Robust Graph Structural Learning Beyond Homophily via Preserving Neighbor Similarity [26.990618075974485]
  グラフに基づく学習システムの脆弱性について, ホモフィリディエンスに関係なく検討する。 本稿では,グラフマイニングモジュールとして有用な新しいグラフ構造学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-01-18T06:57:29Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)

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。