論文の概要: Hierarchical Multi-Scale Graph Neural Networks: Scalable Heterophilous Learning with Oversmoothing and Oversquashing Mitigation
- arxiv url: http://arxiv.org/abs/2605.10975v1
- Date: Fri, 08 May 2026 22:35:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:56.271877
- Title: Hierarchical Multi-Scale Graph Neural Networks: Scalable Heterophilous Learning with Oversmoothing and Oversquashing Mitigation
- Title（参考訳）: 階層型マルチスケールグラフニューラルネットワーク:過度な平滑化と過度な緩和によるスケーラブルなヘテロフィルス学習
- Authors: Md Sazzad Hossen, Avimanyu Sahoo,
- Abstract要約: Hierarchical Multi-view HAAR (HMH) は、ほぼ直線時間でスケールする新しいグラフ学習フレームワークである。
HMHは最先端のスペクトルベースラインを上回り、ノード分類が最大3%改善し、グラフ分類データセットが7%向上した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graphs with heterophily, where adjacent nodes carry different labels, are prevalent in real-world applications, from social networks to molecular interactions. However, existing spectral Graph Neural Network (GNN) approaches tailored for heterophilous graph classification suffer from hub-dominated (node with large degree) aggregation and oversmoothing, as their suboptimal polynomial filters introduce approximation errors and blend distant signals. To address the degree-biased aggregation and suboptimal polynomial filtering, we introduce a Hierarchical Multi-view HAAR (HMH), a novel spectral graph-learning framework that scales in near-linear time . HMH first learns feature- and structure-aware signed affinities via a heterophily-aware encoder, then constructs a soft graph hierarchy guided by these embeddings. At each hierarchical level, HMH constructs a sparse, orthonormal, and locality-aware Haar basis to apply learnable spectral filters in the frequency domain. Finally, skip-connection unpooling layers combine outputs from all hierarchical levels back into the original graph, effectively preventing hub domination and long-range signal bottleneck (over-squashing). Experimentation shows that HMH outperforms state-of-the-art spectral baselines, achieving up to a 3% improvement on node classification and 7% points on graph classification datasets, all while maintaining linear scalability.
- Abstract（参考訳）: 隣接ノードが異なるラベルを持つヘテロフィリーグラフは、ソーシャルネットワークから分子間相互作用に至るまで、現実世界のアプリケーションで広く使われている。
しかし、既存のスペクトルグラフニューラルネットワーク(GNN)アプローチは、近似誤差を導入し、遠距離信号をブレンドするため、ハブに支配された(多量の)アグリゲーションと過平滑化に悩まされている。
本稿では,階層型多視点HAAR(Hierarchical Multi-view HAAR, HMH)を提案する。
HMHは、まずヘテロフィリー認識エンコーダを介して特徴と構造を意識した署名親和性を学び、次にこれらの埋め込みによって導かれるソフトグラフ階層を構築する。
各階層レベルで、HMHは周波数領域に学習可能なスペクトルフィルタを適用するためにスパース、正則、局所性を意識したハール基底を構成する。
最後に、スキップ接続アンプール層は、すべての階層レベルの出力を元のグラフに結合し、ハブ支配と長距離信号ボトルネック(オーバー・スカッシング)を効果的に防止する。
実験の結果、HMHは最先端のスペクトルベースラインより優れており、ノード分類が最大3%改善し、グラフ分類データセットが7%向上した。
関連論文リスト
- Spectro-Riemannian Graph Neural Networks [39.901731107377095]
Cusp Laplacian は、Ollivier-Ricci曲率に基づく伝統的なグラフ Laplacian の拡張である。
Cusp Poolingは階層的な注意機構であり、曲率ベースの位置符号化と組み合わせている。
論文 参考訳（メタデータ） (2025-02-01T11:31:01Z) - GSpect: Spectral Filtering for Cross-Scale Graph Classification [9.800723513820046]
クロススケールグラフ分類タスクのための高度なスペクトルグラフフィルタリングモデルであるGSpectを提案する。
オープンデータセットでは、GSpectは分類精度を平均1.62%改善し、ProteINSでは最大3.33%向上した。
GSpectは、クロススケールグラフ分類研究のギャップを埋め、脳疾患の診断のような応用研究を支援する可能性がある。
論文 参考訳（メタデータ） (2024-08-31T03:26:32Z) - Graph Contrastive Learning under Heterophily via Graph Filters [51.46061703680498]
グラフコントラスト学習(CL)法は,GNNエンコーダを用いて得られる拡張ノード表現の類似性を最大化することにより,ノード表現を自己指導的に学習する。
本研究では,ヘテロフィリー下でのグラフ表現学習に有効なグラフCL法であるHLCLを提案する。
我々の広範な実験により、HLCLはヘテロフィリーのベンチマークデータセットや大規模実世界のグラフで最先端のグラフCL法を最大7%上回り、ヘテロフィリーのデータセットでグラフ教師あり学習法を最大10%上回ります。
論文 参考訳（メタデータ） (2023-03-11T08:32:39Z) - Quasi-Framelets: Robust Graph Neural Networks via Adaptive Framelet Convolution [28.474359021962346]
スペクトルグラフニューラルネットワーク(GNN)のためのマルチスケールフレームレット畳み込みを提案する。
提案設計は、不要なスペクトル情報をフィルタリングし、ノイズグラフ信号の悪影響を著しく低減する。
ノイズの多いデータや敵攻撃に対する優れたレジリエンスを示しており、現実世界のグラフアプリケーションに対する堅牢なソリューションとしての可能性を強調している。
論文 参考訳（メタデータ） (2022-01-11T00:10:28Z) - Improving Spectral Graph Convolution for Learning Graph-level
Representation [27.76697047602983]
グラフ全体の表現を学習するためには,ノード間の基本的な関係を特徴付けるため,位相的距離が必要と考えられる。
グラフフィルタの制限を取り除くことで、新たなアーキテクチャによってグラフ表現の学習のパフォーマンスが大幅に向上する。
これは、よく知られたスペクトル/ローパスフィルタと比較して、入力信号に対するスペクトルの影響を定量的に測定する理解として機能する。
論文 参考訳（メタデータ） (2021-12-14T04:50:46Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳（メタデータ） (2021-10-15T07:18:57Z) - Spectral-Spatial Global Graph Reasoning for Hyperspectral Image
Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。
近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文 参考訳（メタデータ） (2021-06-26T06:24:51Z) - Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。
提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
論文 参考訳（メタデータ） (2021-04-26T19:31:21Z) - Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。
HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。
ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2021-04-16T04:56:38Z) - Beyond Low-Pass Filters: Adaptive Feature Propagation on Graphs [6.018995094882323]
グラフニューラルネットワーク(GNN)は、グラフ上の予測タスクのために広く研究されている。
ほとんどのGNNは、局所的ホモフィリー、すなわち地域住民の強い類似性を仮定している。
基本となるホモフィリーによって制限されることなく、任意のグラフを扱うことができる柔軟なGNNモデルを提案する。
論文 参考訳（メタデータ） (2021-03-26T00:35:36Z) - Graph Cross Networks with Vertex Infomax Pooling [69.38969610952927]
グラフの複数スケールから包括的特徴学習を実現するための新しいグラフクロスネットワーク(GXN)を提案する。
グラフのトレーニング可能な階層表現に基づいて、GXNは、スケール間で中間的特徴の交換を可能にし、情報フローを促進する。
論文 参考訳（メタデータ） (2020-10-05T06:34:23Z)
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。