論文の概要: Graph Neural Network leveraging Higher-order Class Label Connectivity for Heterophilous Graphs

• arxiv url: http://arxiv.org/abs/2606.07475v1
• Date: Fri, 05 Jun 2026 17:28:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.868737
• Title: Graph Neural Network leveraging Higher-order Class Label Connectivity for Heterophilous Graphs
• Title（参考訳）: 異種グラフに対する高次クラスラベル接続性を利用したグラフニューラルネットワーク
• Authors: Takuto Takahashi, Itsuki Nakayama, Takahiro Mitani, Ryosuke Kikuchi, Yuya Sasaki, Makoto Onizuka,
• Abstract要約: ラベルコンテキスト(LCC)は、有向グラフにおける高次のクラスラベル接続をキャプチャするように設計されている。 LCCは4つの異なるタイプのウォークによって生成されるラベルコンテキストの埋め込みを利用してクラスラベルを推定する。 提案手法により,LCC と任意の GNN を統合することで,その重要性を適応的に学習することができる。
• 参考スコア（独自算出の注目度）: 8.281435553035115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Node classification in graph neural networks (GNNs) has been widely applied in various fields of graph analysis. GNNs achieve high-accuracy node classification in homophilous graphs, where nodes with the same class label tend to be connected. However, their performance remains limited in heterophilous graphs, where nodes with different class labels are more likely to be connected. In particular, current GNNs derived from graph convolutional networks cannot capture higher-order class label connectivity, which is frequently observed in real-world heterophilous graphs. To address this issue, we propose a novel classifier, Label Context Classifier (LCC), designed to capture higher-order class label connectivity in directed graphs. LCC estimates the class label of a target node by leveraging label context embeddings that are generated through four distinct types of walks. In addition, our approach allows the integration of LCC and any GNN by adaptively learning their importance. Experimental results demonstrate that GNNs integrated with LCC outperform SOTA methods and the label context embeddings improve the node classification performance in heterophilous directed graphs.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)におけるノード分類は、グラフ解析の様々な分野に広く適用されている。 GNNは、同じクラスラベルを持つノードが接続される傾向にある同好グラフにおいて、高精度なノード分類を実現する。 しかし、それらの性能は、異なるクラスラベルを持つノードが接続される傾向にあるヘテロ親和性グラフにおいて制限されている。 特に、グラフ畳み込みネットワークから派生した現在のGNNは、実世界の異種グラフでよく見られる高次クラスラベル接続をキャプチャできない。 この問題に対処するために,有向グラフにおける高次クラスラベル接続をキャプチャする新しい分類器,ラベルコンテキスト分類器 (LCC) を提案する。 LCCは、4つの異なるタイプのウォークによって生成されるラベルコンテキストの埋め込みを利用して、ターゲットノードのクラスラベルを推定する。 さらに,本手法により,LCCと任意のGNNを統合することで,その重要性を適応的に学習することができる。 実験により, GNN が LCC よりも優れた SOTA 法とラベルコンテキストの埋め込みにより, 異種有向グラフのノード分類性能が向上することが示された。

関連論文リスト

• Incorporating Heterophily into Graph Neural Networks for Graph Classification [6.709862924279403]
  グラフニューラルネットワーク(GNN)は、しばしばグラフ分類において強いホモフィリを仮定し、ヘテロフィリを考えることは滅多にない。 We developed a novel GNN architecture called IHGNN (short for Incorporated Heterophily into Graph Neural Networks) 我々は、様々なグラフデータセット上でIHGNNを実証的に検証し、グラフ分類のための最先端のGNNよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-15T06:48:35Z)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)
• Label Propagation across Graphs: Node Classification using Graph Neural Tangent Kernels [12.445026956430826]
  グラフニューラルネットワーク(GNN)はノード分類タスクにおいて優れたパフォーマンスを実現している。 我々の研究は、ラベル付きグラフのセットがトレーニング用に利用可能であり、ラベルなしのターゲットグラフは完全に分離されている、困難な帰納的設定について検討している。 テストグラフとトレーニンググラフが類似した分布から来るという暗黙の仮定の下で、我々のゴールは、観測されていない接続構造に一般化するラベリング関数を開発することである。
  論文  参考訳（メタデータ） (2021-10-07T19:42:35Z)
• 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)
• Label-Consistency based Graph Neural Networks for Semi-supervised Node Classification [47.753422069515366]
  グラフニューラルネットワーク(GNN)は,グラフに基づく半教師付きノード分類において顕著な成功を収めている。 本稿では,GNNにおけるノードの受容領域を拡大するために,ノードペアが接続されていないが同一のラベルを持つラベル一貫性に基づくグラフニューラルネットワーク(LC-GNN)を提案する。 ベンチマークデータセットの実験では、LC-GNNはグラフベースの半教師付きノード分類において従来のGNNよりも優れていた。
  論文  参考訳（メタデータ） (2020-07-27T11:17:46Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• A Collective Learning Framework to Boost GNN Expressiveness [25.394456460032625]
  教師付きおよび半教師付き設定におけるグラフニューラルネットワーク(GNN)を用いた帰納ノード分類の課題を考察する。 本稿では,既存のGNNの表現力を高めるための一般集団学習手法を提案する。 実世界の5つのネットワークデータセットの性能評価を行い、ノード分類精度が一貫した顕著な改善を示した。
  論文  参考訳（メタデータ） (2020-03-26T22:07:28Z)
• Few-Shot Learning on Graphs via Super-Classes based on Graph Spectral Measures [14.932318540666545]
  グラフニューラルネットワーク (GNN) におけるショットグラフ分類の問題について, 限定ラベル付きグラフの場合, 未確認のクラスを認識するために検討した。 グラフ正規化ラプラシアンのスペクトルに基づいて確率測度を各グラフに割り当てる手法を提案する。
  論文  参考訳（メタデータ） (2020-02-27T17:11:14Z)

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。