論文の概要: HeterSEED: Semantics-Structure Decoupling for Heterogeneous Graph Learning under Heterophily

• arxiv url: http://arxiv.org/abs/2605.04594v1
• Date: Wed, 06 May 2026 07:42:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.706382
• Title: HeterSEED: Semantics-Structure Decoupling for Heterogeneous Graph Learning under Heterophily
• Title（参考訳）: HeterSEED:不均質なグラフ学習のためのセマンティック・ストラクチャ・デカップリング
• Authors: Xinyi Li, Ming Li, Lu Bai, Lixin Cui, Feilong Cao, Ke Lv, Yunliang Jiang, Pietro Liò,
• Abstract要約: HeterSEEDは異種グラフ学習のためのセマンティクスと構造を分離するフレームワークである。 HeterSEEDは、表現学習を異種セマンティックチャネルに分離し、型および関係認識のローカルセマンティクスをキャプチャする。 ノードレベルの適応的な融合機構は、2つのチャネルを組み合わせてコンテキスト依存のノード表現を生成する。
• 参考スコア（独自算出の注目度）: 38.14849479041363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world heterogeneous graphs exhibit pronounced heterophily, where connected nodes often have dissimilar labels or play different semantic roles. In such settings, standard heterogeneous graph neural networks that aggregate messages along metapaths or meta-relations primarily based on feature similarity can propagate misleading information, since feature similarity may be misaligned with underlying relational semantics. In this paper, we propose HeterSEED, a semantics-structure decoupling framework for heterogeneous graph learning under heterophily. HeterSEED decouples representation learning into a heterogeneous semantic channel that captures type- and relation-aware local semantics and a structure-aware heterophily channel that separates homophilic and heterophilic neighborhoods via pseudo-label-guided partitioning and aggregates them using metapath-based structural weights. A node-level adaptive fusion mechanism then combines the two channels to produce context-dependent node representations. Theoretically, we establish that, on heterogeneous graphs under heterophily, HeterSEED is strictly more expressive than standard heterogeneous graph neural networks that rely primarily on feature similarity and provably reduces the prediction bias introduced by heterophilic neighbors. Experiments on five real-world heterogeneous graphs, including two large-scale networks at the million-node and hundred-million-edge scale, demonstrate that HeterSEED consistently outperforms representative heterogeneous graph neural networks and recent heterophily-aware baselines, especially in strongly heterophilic regimes.
• Abstract（参考訳）: 多くの実世界の異種グラフは、連結ノードは異なるラベルを持つか、異なる意味的な役割を演じる。 このような設定では、メタパスやメタレレーションに沿ってメッセージを集約する標準的なヘテロジニアスグラフニューラルネットワークは、機能類似性が基礎となる意味論と不一致である可能性があるため、主に特徴類似性に基づいてメッセージを伝達することができる。 本稿ではヘテロジニアスグラフ学習のためのセマンティックス-構造分離フレームワークHeterSEEDを提案する。 HeterSEEDは、表現学習を、タイプとリレーションを意識した局所的セマンティクスをキャプチャするヘテロジニアスなセマンティクスチャネルと、擬似ラベル誘導パーティショニングによってホモ親和性およびヘテロ親和性地区を分離し、メタパスに基づく構造重みを用いてそれらを集約する構造認識ヘテロフィリーチャネルに分離する。 ノードレベルの適応的な融合機構は、2つのチャネルを組み合わせてコンテキスト依存のノード表現を生成する。 理論的には、ヘテロフィリーの下でのヘテロジニアスグラフ上では、HeterSEEDは特徴の類似性に大きく依存する標準ヘテロジニアスグラフニューラルネットワークよりも厳密に表現され、ヘテロジニアス近傍で導入された予測バイアスを確実に減少させる。 百万のノードと百万のエッジスケールの2つの大規模ネットワークを含む5つの実世界の異種グラフの実験では、HeterSEEDが代表的異種グラフニューラルネットワークと最近の異種対応ベースライン、特に強い異種状態において一貫して上回っていることが示されている。

関連論文リスト

• Adaptive Heterogeneous Graph Neural Networks: Bridging Heterophily and Heterogeneity [20.67252453378065]
  不均一グラフ(HGs)は実世界のシナリオで一般的であり、しばしば不均一性を示す。 本稿では,これらの課題に対処するための適応不均一グラフニューラルネットワーク(AHGNN)を提案する。 AHGNNはホップとメタパスの両方に特有のヘテロフィリー分布を考慮に入れたヘテロフィリー認識の畳み込みを採用している。
  論文  参考訳（メタデータ） (2025-08-08T05:39:58Z)
• Enhancing Homophily-Heterophily Separation: Relation-Aware Learning in Heterogeneous Graphs [14.452589880736523]
  本稿では,新しいコントラスト学習フレームワークであるホモフィリーとヘテロフィリー(RASH)のリレーショナル・アウェア分離を提案する。 RASHは、不均一相互作用の高次セマンティクスを明示的にモデル化し、ホモ親和性パターンとヘテロ親和性パターンを適応的に分離する。 相互情報の最大化により異種・同種・異種・異種・異種・異種視を整合させるマルチリレーション・コントラッシブ・ロスを設計する。
  論文  参考訳（メタデータ） (2025-06-26T03:54:06Z)
• Hetero$^2$Net: Heterophily-aware Representation Learning on Heterogenerous Graphs [38.858702539146385]
  We present Hetero$2$Net, a heterophily-aware HGNN that includes both masked metapath prediction and masked label prediction task。 Hetero$2$Netを,ヘテロフィリーのレベルが異なる5つの実世界ヘテロジニアスグラフベンチマークで評価した。
  論文  参考訳（メタデータ） (2023-10-18T02:19:12Z)
• Demystifying Structural Disparity in Graph Neural Networks: Can One Size Fit All? [61.35457647107439]
  ほとんどの実世界のホモフィルグラフとヘテロフィルグラフは、ホモフィルグラフとヘテロフィルグラフの両方の構造パターンの混合ノードから構成される。 ノード分類におけるグラフニューラルネットワーク (GNN) は, 一般にホモ親和性ノード上で良好に機能することを示す。 次に、GNNに対する厳密で非I.d PAC-Bayesian一般化を提案し、性能格差の理由を明らかにした。
  論文  参考訳（メタデータ） (2023-06-02T07:46:20Z)
• 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)
• 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)
• Powerful Graph Convolutioal Networks with Adaptive Propagation Mechanism for Homophily and Heterophily [38.50800951799888]
  グラフ畳み込みネットワーク(GCN)は、グラフ構造化データ処理において大きな影響力を持つため、様々な分野に広く応用されている。 既存の方法は、主に高次近傍を集約したり、即時表現を結合することでヘテロフィリーを扱う。 本稿では, ホモフィリーやヘテロフィリーに応じて自動的に伝播・凝集過程を変更できる新しい伝播機構を提案する。
  論文  参考訳（メタデータ） (2021-12-27T08:19:23Z)
• Learning on heterogeneous graphs using high-order relations [37.64632406923687]
  メタパスを使わずに異種グラフを学習する手法を提案する。 異種グラフを異なる同種関係型グラフに分解し、それを結合して高階関係型表現を生成する。
  論文  参考訳（メタデータ） (2021-03-29T12:02:47Z)

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。