論文の概要: Remedying Coarsening-Based GNN Training under Heterophily via Adaptive Complementary Enhancement

• arxiv url: http://arxiv.org/abs/2607.21885v1
• Date: Fri, 24 Jul 2026 01:29:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.016154
• Title: Remedying Coarsening-Based GNN Training under Heterophily via Adaptive Complementary Enhancement
• Title（参考訳）: アダプティブ・コンプレメンタリー・エンハンスメント(Adaptive Complementary Enhancement)によるヘテロフォニー下GNNトレーニングの治療
• Authors: Guoming Li, Jian Yang, Xukun Wang, Zixiao Wang, Shangsong Liang, Yifan Chen,
• Abstract要約: 既存の粗大化学習手法は、粗大化の際のグラフ情報の損失が避けられないため、異種グラフの性能低下に悩まされていることを示す。 本稿では,bf Adaptive bf Complementary bf enhance, a plug-and-play, model-agnostic strategy that reintegration the information discarded in coarseningを提案する。
• 参考スコア（独自算出の注目度）: 26.45110502081819
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Coarsening-based training for graph neural networks (GNNs), i.e.\ training on coarsened graphs rather than the original large ones, has become a promising direction for scaling GNNs to massive graphs. However, prior work has been evaluated almost exclusively on \textit{homophilic} graphs, leaving the more challenging \textit{heterophilic} settings underexplored. We show, both empirically and theoretically, that existing coarsening-based training methods suffer significant performance degradation on heterophilic graphs due to inevitable loss of graph information during coarsening. To address this, we propose {\bf A}daptive {\bf C}omplementary {\bf E}nhancement, a plug-and-play, model-agnostic strategy that reintegrates the information discarded in coarsening: ACE learns a projector for re-constructing original node features and applies \textit{anisotropic structural regularization} to embed local heterophily. We further adopt \textit{homoscedastic uncertainty weighting} to adaptively balance the combined training objective of primary coarsened-graph training loss and full-graph auxiliary loss with augmented node features re-constructed by the heterophily-aware projector. Extensive experiments show that ACE drives consistent gains on heterophilic benchmarks while preserving competitive results on homophilic graphs with minimal computational overhead. Code is available at the GitHub repository: https://github.com/vasile-paskardlgm/ACE.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)の粗大化に基づくトレーニング、すなわち、元々の大きなグラフではなく粗大化グラフのトレーニングは、GNNを大規模グラフにスケールするための有望な方向となっている。 しかしながら、以前の研究はほとんどの場合、 \textit{homophilic} グラフで評価されており、より困難な \textit{heterophilic} 設定は探索されていない。 実験および理論的には,既存の粗大化に基づくトレーニング手法は,粗大化時のグラフ情報の損失が避けられないため,不均質なグラフに対して顕著な性能劣化を生じていることを示す。 これを解決するために、プラグ・アンド・プレイのモデルに依存しない戦略である {\bf A}daptive {\bf C}omplementary {\bf E}nhancementを提案する。 さらに,不均質なプロジェクタによって再構成された拡張ノード特徴と,一次粗大化学習損失とフルグラフ補助損失の併用訓練目標を適応的にバランスさせるために,textit{homoscedastic uncertainty weighting}を採用した。 大規模な実験により、ACEは不均一なベンチマークで一貫したゲインを駆動し、計算オーバーヘッドが最小限であるホモフィルグラフ上での競合結果を保存することが示されている。 コードはGitHubリポジトリで入手できる。

関連論文リスト

• Beyond Homophily: Towards Generalized Graph Reconstruction Attack and Defense [80.28330585803133]
  グラフニューラルネットワーク(GNN)は、計算データに広くデプロイされているが、トレーニンググラフの隣接性に関する機密情報やプロプライエタリ情報を漏洩することができる。 本研究は、訓練されたGNNからトレーニング隣接性を再構築するモデル逆転の一形態であるグラフ再構成攻撃(GRA)について研究する。 本稿では, MC-GRA(+)を提案する。これは, GNNにより誘導される表現が対象モデルのそれと一致した代理隣接を最適化することにより, 隣接性を再構築する。 防衛面では, MC-GPB (+) を提案する。
  論文  参考訳（メタデータ） (2026-06-06T09:29:27Z)
• Topology-Aware Gaussian Graph Repair for Robust Graph Neural Networks [1.652121135969053]
  Topology-Aware Gaussian repair (TAGR)は、グラフニューラルネットワークにおける堅牢なメッセージパッシングのための単純なグラフ修復フレームワークである。 TAGRは、ノイズエッジと欠損エッジの両方の設定下で、グラフニューラルネットワークの堅牢性を改善する。
  論文  参考訳（メタデータ） (2026-06-02T10:39:24Z)
• Position: Graph Condensation Needs a Reset -- Move Beyond Full-dataset Training and Model-Dependence [26.234880574328823]
  グラフの凝縮は、現在の形では、リセットが必要であると我々は主張する。 私たちは、フルデータセットのトレーニングとモデルに依存した設計を超えて移行することを呼びかけています。 我々は、凝縮の真の約束を果たすアプローチに向けて、分野を再編成することを目指している。
  論文  参考訳（メタデータ） (2026-05-17T07:08:22Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Gradient Rewiring for Editable Graph Neural Network Training [84.77778876113099]
  underlineGradient underlineRewiringメソッドは、textbfGREという、アンダーライン編集可能なグラフニューラルネットワークトレーニングのためのものだ。 そこで本稿では,textbfGRE という名前のアンダーライン編集可能なグラフニューラルネットワークトレーニングのための,シンプルで効果的なアンダーライングラディエントアンダーラインリスイッチ法を提案する。
  論文  参考訳（メタデータ） (2024-10-21T01:01:50Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• A GAN Approach for Node Embedding in Heterogeneous Graphs Using Subgraph Sampling [33.50085646298074]
  本稿では,グラフニューラルネットワーク (GNN) とGAN (Generative Adrial Network) を組み合わせた新しいフレームワークを提案する。 このフレームワークには高度なエッジ生成と選択モジュールが含まれており、合成ノードとエッジを同時に生成することができる。
  論文  参考訳（メタデータ） (2023-12-11T16:52:20Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• A Graph Data Augmentation Strategy with Entropy Preserving [11.886325179121226]
  本稿では,グラフ間の特徴情報を評価するための定量的指標として,新しいグラフエントロピー定義を提案する。 グラフエントロピーの保存を考慮し、摂動機構を用いてトレーニングデータを生成する効果的な方法を提案する。 提案手法はトレーニング過程におけるGCNの堅牢性と一般化能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-07-13T12:58:32Z)

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。