論文の概要: Disentangling Homophily and Rarity: Explaining Failure in Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2608.14823v1
• Date: Fri, 14 Aug 2026 18:52:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.094768
• Title: Disentangling Homophily and Rarity: Explaining Failure in Graph Neural Networks
• Title（参考訳）: ホモフィリーとラーリティーを遠ざける:グラフニューラルネットワークの失敗を説明する
• Abstract要約: ホモ親和性ノードは, 稀なノードであっても, 分類し易い傾向にある。 ヘテロ親和性ノードを正しく分類するために必要な情報は、モデルの分類ヘッドを再トレーニングすることで、しばしば回復可能であることを実証する。
• 参考スコア（独自算出の注目度）: 1.8589370017650237
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Are heterophilic nodes in a graph harder to classify because they are heterophilic or because they are rare? Some existing work frames classification of such nodes as a subgroup generalisation problem, where a model performs well on the majority group at the expense of the rare group. Others explain this as a problem of neighbourhood aggregation in graph neural networks (GNNs). We assess these two viewpoints through a detailed evaluation of six GNNs on five datasets of varying homophily, and find that homophilic nodes tend to be easier to classify, even when they are rare---challenging the subgroup framing. However, our findings also nuance existing beliefs about how GNNs misrepresent heterophilic nodes. We demonstrate that the information needed to classify heterophilic nodes correctly is often recoverable by retraining the classification head of a model, or even just the final linear classification layer.
• Abstract（参考訳）: グラフ中のヘテロ親和性ノードは、それらがヘテロ親和性を持つか、あるいは希少であるため分類が難しいか? いくつかの既存の作業フレームはそのようなノードを部分群一般化問題として分類し、そこではモデルが希少群を犠牲にして多数群上でうまく機能する。 他の人々は、グラフニューラルネットワーク(GNN)における近傍集約の問題としてこれを説明している。 これら2つの視点は, 相同性の異なる5つのデータセットに対して, 6つのGNNを詳細に評価することにより評価し, 準群フレーミングが希少である場合でも, 相同性ノードの分類が容易であることを示した。 しかし,本研究は,GNNが異好神経節をどう表現するかに関して,既往の信念を曖昧にしている。 ヘテロ親和性ノードを正しく分類するために必要な情報は、モデルの分類ヘッドを再トレーニングしたり、あるいは最終線形分類層だけをトレーニングすることで、しばしば回復可能であることを実証する。

関連論文リスト

• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。 最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
  ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。 観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。 さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-06-18T12:16:00Z)
• Heterophilous Distribution Propagation for Graph Neural Networks [23.897535976924722]
  グラフニューラルネットワークのための異種分布伝播(HDP)を提案する。 すべての近隣から情報を集約する代わりに、HDPは隣人をホモ親和性および不テロ親和性の部分に適応的に分離する。 我々は、異なるレベルのホモフィリーを持つ9つのベンチマークデータセットに対して広範な実験を行う。
  論文  参考訳（メタデータ） (2024-05-31T06:40:56Z)
• 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)
• Clarify Confused Nodes via Separated Learning [4.282496716373314]
  グラフニューラルネットワーク(GNN)は,グラフ指向タスクにおいて顕著な進歩を遂げている。 実世界のグラフは、必ずある種の不均一なノードを含み、伝統的なGNNのホモフィリーな仮定に挑戦する。 我々は,ノードのより信頼性の高い分離を容易にするため,Nighborhood Confusion(NC)と呼ばれる新しいメトリクスを提案する。
  論文  参考訳（メタデータ） (2023-06-04T07:26:20Z)
• Demystifying Structural Disparity in Graph Neural Networks: Can One Size Fit All? [61.35457647107439]
  ほとんどの実世界のホモフィルグラフとヘテロフィルグラフは、ホモフィルグラフとヘテロフィルグラフの両方の構造パターンの混合ノードから構成される。 ノード分類におけるグラフニューラルネットワーク (GNN) は, 一般にホモ親和性ノード上で良好に機能することを示す。 次に、GNNに対する厳密で非I.d PAC-Bayesian一般化を提案し、性能格差の理由を明らかにした。
  論文  参考訳（メタデータ） (2023-06-02T07:46:20Z)
• Imbalanced Node Classification Beyond Homophilic Assumption [39.94226626445198]
  本稿では,同好性グラフと異好性グラフの両面における不均衡ノード分類のための新しいグラフSANNを提案する。 まず, ホモ親和性とヘテロ親和性の両方を持つ合成ノードを統一的に生成する機能混合器を提案する。 次に,合成ノードと既存ノード間のエッジをランダムにサンプリングすることで,適応的な部分グラフ抽出器を設計する。
  論文  参考訳（メタデータ） (2023-04-28T05:33:19Z)
• 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)
• Is Homophily a Necessity for Graph Neural Networks? [50.959340355849896]
  グラフニューラルネットワーク(GNN)は、多数のグラフベースの機械学習タスクに適した学習表現において大きな進歩を見せている。 GNNはホモフィリーな仮定によりうまく機能し、異種ノードが接続する異種グラフへの一般化に失敗したと広く信じられている。 最近の研究は、このような不均一な制限を克服する新しいアーキテクチャを設計し、ベースライン性能の低さと、この概念の証拠として、いくつかの異種グラフベンチマークデータセットに対するアーキテクチャの改善を引用している。 我々の実験では、標準グラフ畳み込みネットワーク(GCN)が実際よりも優れた性能を実現できることを実証的に見出した。
  論文  参考訳（メタデータ） (2021-06-11T02:44:00Z)
• Two Sides of the Same Coin: Heterophily and Oversmoothing in Graph Convolutional Neural Networks [33.25212467404069]
  理論的にはヘテロフィリーと過平滑化の関係を特徴づける。 我々は、署名メッセージと学習度補正を組み込むことで、隣人の特徴と度合いの相違に対処するモデルを設計する。 9つの実ネットワークに関する実験により,本モデルがヘテロフィリー条件下での最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-02-12T11:52:34Z)
• Towards Deeper Graph Neural Networks with Differentiable Group Normalization [61.20639338417576]
  グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。 オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。 2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
  論文  参考訳（メタデータ） (2020-06-12T07:18:02Z)

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。