論文の概要: Modeling Heterophily in Multiplex Graphs: An Adaptive Approach for Node Classification

• arxiv url: http://arxiv.org/abs/2605.12699v1
• Date: Tue, 12 May 2026 19:52:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.654801
• Title: Modeling Heterophily in Multiplex Graphs: An Adaptive Approach for Node Classification
• Title（参考訳）: 多重グラフにおけるヘテロフォリーなモデリング:ノード分類への適応的アプローチ
• Authors: Kamel Abdous, Nairouz Mrabah, Mohamed Bouguessa,
• Abstract要約: 既存のグラフモデルはしばしばホモフィリーを仮定し、連結ノードは同じクラスに属したり、類似の属性を共有する傾向がある。 本稿では,同好および異好の両次元に対応する多重グラフにおけるノード分類の新しい手法である Methodname を提案する。 メソッド名は、多重グラフにおけるホモ親和性とヘテロ親和性相互作用の複雑な相互作用をキャプチャし、最先端の手法と比較してノード分類性能が向上する傾向にある。
• 参考スコア（独自算出の注目度）: 6.703619231011383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing multiplex graph models often assume homophily, where connected nodes tend to belong to the same class or share similar attributes. Consequently, these models may struggle with graphs exhibiting heterophily, where connected nodes typically belong to different classes and have dissimilar attributes. While recent methods have been developed to learn reliable node representations from unidimensional graphs with heterophily, they do not fully address the complexities of multiplex graphs. In a multiplex graph, nodes are linked through multiple types of edges (referred to as dimensions), which can simultaneously exhibit homophilic and heterophilic interactions. To address this gap, we propose \methodname, a novel method for node classification in multiplex graphs that adapts to both homophilic and heterophilic dimensions. \methodname introduces dimension-specific compatibility matrices to model varying degrees of homophily and heterophily across dimensions. A key innovation is its use of a product of trainable low-pass and high-pass filters, approximated via Chebyshev polynomials, to capture both smooth and abrupt changes in the graph signal. By composing these filters and optimizing label predictions using a proximal-gradient method, \methodname dynamically adjusts to the heterophilic characteristics of each dimension. Extensive experiments on synthetic and real-world datasets provide evidence that \methodname captures the complex interplay of homophilic and heterophilic interactions in multiplex graphs, and tends to yield improved node classification performance compared to state-of-the-art methods.
• Abstract（参考訳）: 既存の多重グラフモデルは、しばしばホモフィリーを仮定するが、連結ノードは同じクラスに属したり、類似の属性を共有する傾向がある。 したがって、これらのモデルは、連結ノードが典型的には異なるクラスに属し、異なる属性を持つヘテロフィリーを示すグラフと競合する可能性がある。 ヘテロフィリーを持つ一次元グラフから信頼性のあるノード表現を学習する手法が近年開発されているが、これらは多重グラフの複雑さを完全には解決していない。 多重グラフでは、ノードは複数のタイプのエッジを通してリンクされ(次元として参照される)、ホモ親和性とヘテロ親和性を持つ相互作用を同時に表現することができる。 このギャップに対処するため、同好および異好の両次元に適応する多重グラフにおけるノード分類の新しい手法である 'methodname' を提案する。 \methodname は次元固有の互換行列を導入し、次元をまたいだホモフィリーおよびヘテロフィリーの様々な次数をモデル化する。 鍵となる革新は、チェビシェフ多項式によって近似された訓練可能な低域通過フィルタと高域通過フィルタの積を使用して、グラフ信号の滑らかな変化と急激な変化を捉えることである。 これらのフィルタを合成し、近次勾配法を用いてラベル予測を最適化することにより、各次元のヘテロ親和性特性を動的に調整する。 合成および実世界のデータセットに関する大規模な実験は、‘methodname’が多重グラフにおけるホモ親和性およびヘテロ親和性相互作用の複雑な相互作用を捉え、最先端の手法と比較してノード分類性能が向上する傾向にあることを示す。

関連論文リスト

• 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)
• Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
  異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。 我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。 その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:26:53Z)
• 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)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• 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)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• 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。