論文の概要: Hierarchical Attention-based Graph Neural Network with Relevance-driven Pruning

• arxiv url: http://arxiv.org/abs/2605.09308v1
• Date: Sun, 10 May 2026 04:05:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.18182
• Title: Hierarchical Attention-based Graph Neural Network with Relevance-driven Pruning
• Title（参考訳）: 関連性駆動型プルーニングを用いた階層的注意に基づくグラフニューラルネットワーク
• Authors: Seungwoo Kum,
• Abstract要約: グラフニューラルネットワーク(GNN)は、リレーショナル推論において優れているが、2つの永続的な課題に直面している。 本稿では,階層型アテンションに基づくヘテロジニアスGNN(HA-HeteroGNN)を提案する。 2層アテンション機構は16ノードタイプと18エッジタイプにまたがるセンサレベルとコンテキストレベルの勾配を分離し、アテンションベースGNN Explainerを介してノード単位のレバレンススコアを生成する
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph Neural Networks (GNNs) excel at relational reasoning but face two persistent challenges: the lack of interpretable attribution for heterogeneous node types, and the computational overhead of message passing over large, noisy graphs. We propose the Hierarchical Attention-based Heterogeneous GNN (HA-HeteroGNN), a framework that addresses both issues through a unied explainability-to-pruning pipeline. A two-tier attention mechanism separates sensor-level and context-level computation across 16 node types and 18 edge types, producing per-node relevance scores via an attention-based GNN Explainer without requiring gradient backpropagation. These relevance scores then serve as a principled pruning criterion: removing nodes identied as consistently uninformative yields a 27% reduction in graph edges while simultaneously improving classication accuracy by 2.46.1% across all model variants, challenging the conventional assumption that pruning necessarily trades accuracy for eciency. Experiments on a 50,000-record synthetic dataset spanning 11 report categories demonstrate 97.5% cross-strategy explanation stability and domain consistent sensor attribution, with training-time reductions of up to 43.9% and real-time inference latency of approximately 5860 ms per sample.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、リレーショナル推論において優れているが、2つの永続的な課題に直面している。 本稿では,階層型アテンションに基づくヘテロジニアスGNN(HA-HeteroGNN)を提案する。 2層アテンション機構は、16のノードタイプと18のエッジタイプにまたがるセンサレベルとコンテキストレベルの計算を分離し、アテンションベースのGNN Explainerを介してノードごとのレバレンススコアを生成する。 これらの関連スコアは、原則的プルーニング基準として機能する: 一貫して不定形として識別されたノードを削除することは、グラフエッジを27%削減すると同時に、すべてのモデル変種で古典化精度を2.46.1%向上させる。 11のレポートカテゴリにまたがる50,000レコードの合成データセットの実験では、97.5%のクロスストラテジー説明安定性とドメイン一貫したセンサーの属性が示され、最大43.9%のトレーニング時間の短縮と1サンプルあたり5860msのリアルタイム推論遅延が示されている。

関連論文リスト

• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• $\rm A^2Q$: Aggregation-Aware Quantization for Graph Neural Networks [18.772128348519566]
  グラフニューラルネットワーク(GNN)のための集約型混合精度量子化(rm A2Q$)を提案する。 本手法は,ノードレベルのタスクとグラフレベルのタスクで最大11.4%,9.5%の精度向上を実現し,専用ハードウェアアクセラレータで最大2倍の高速化を実現する。
  論文  参考訳（メタデータ） (2023-02-01T02:54:35Z)
• ES-GNN: Generalizing Graph Neural Networks Beyond Homophily with Edge Splitting [32.69196871253339]
  本稿では,学習タスクに関係のないグラフエッジを適応的に識別する新しいエッジ分割GNN(ES-GNN)フレームワークを提案する。 本稿では,ES-GNNを非交叉グラフ記述問題の解とみなすことができることを示す。
  論文  参考訳（メタデータ） (2022-05-27T01:29:03Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Implicit vs Unfolded Graph Neural Networks [29.803948965931212]
  暗黙的かつ展開的なGNNは、異なる規則間で強いノード分類精度が得られることを示す。 IGNNはメモリ効率がかなり高いが、UGNNモデルはユニークで統合されたグラフアテンション機構と伝搬規則をサポートしている。
  論文  参考訳（メタデータ） (2021-11-12T07:49:16Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)

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。