Fugu-MT 論文翻訳(概要): Not Just Oversmoothing: Detecting the Echo Chamber Effect in Graph Neural Networks

論文の概要: Not Just Oversmoothing: Detecting the Echo Chamber Effect in Graph Neural Networks

arxiv url: http://arxiv.org/abs/2609.06521v1
Date: Sun, 06 Sep 2026 10:42:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.261439
Title: Not Just Oversmoothing: Detecting the Echo Chamber Effect in Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークにおけるエコーチャンバー効果の検出
Abstract要約: Oversmoothingはグラフニューラルネットワーク(GNN)のよく知られた障害モードである実世界のグラフは明らかなコミュニティ構造を示し、メッセージパッシングは2つの距離で動作する。これにより、コミュニティ間の分離が持続している間に、コミュニティ内の表現が区別不能になり得る重要なギャップが生じる。
参考スコア（独自算出の注目度）: 9.192992900110983
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Oversmoothing is a well-known failure mode of Graph Neural Networks (GNNs). However, most existing diagnostics rely on global aggregation measures that fail to capture the heterogeneous dynamics of message passing. Real-world graphs exhibit pronounced community structure, and message passing operates on two timescales, with representations collapsing rapidly within communities and slowly across them. This creates a critical gap in which intra-community representations can become indistinguishable while inter community separation persists, a failure mode that we refer to as the Echo Chamber Effect. To quantify this effect, we introduce the Echo Chamber Index (ECI), which stratifies pairwise distances by community membership and reveals when global energy diminishes while inter-community separation persists. ECI further shows that feature retention mechanisms can preserve the echo chamber under the conditions of our theoretical analysis. The consequences depend on label structure: when communities align with classes, the echo chamber can sharpen node classification, whereas when they do not, the same collapse makes classification provably harder. Motivated by this analysis, we propose Community-Aware Split Propagation (CASP), a lightweight plugin that decouples intra- and inter-community aggregation and learns their balance from label structure. CASP improves diverse backbone GNNs across most evaluated homophilic and heterophilic settings.
Abstract（参考訳）: Oversmoothingは、グラフニューラルネットワーク(GNN)のよく知られた障害モードである。しかし、既存の診断のほとんどは、メッセージパッシングの不均一なダイナミクスを捉えるのに失敗したグローバルアグリゲーション対策に依存している。実世界のグラフは明らかなコミュニティ構造を示し、メッセージパッシングは2つのタイムスケールで動作し、コミュニティ内で急速に崩壊し、ゆっくりと横断する。これにより、コミュニティ間の分離が持続している間に、コミュニティ内の表現が区別不能になる重要なギャップが生じます。この効果を定量化するために、コミュニティメンバーシップによってペア距離を成すEcho Chamber Index (ECI)を導入する。 ECIはさらに, 機能保持機構は, 理論的解析の条件下でエコーチャンバーを維持できることを示した。コミュニティがクラスと整合すると、エコーチャンバーはノードの分類を鋭くすることができるが、そうでない場合は、同じ崩壊によって分類が著しく難しくなる。本研究では,コミュニティ・アウェア・スプリット・プロパゲーション (CASP) を提案する。これはコミュニティ内およびコミュニティ間アグリゲーションを分離し,ラベル構造からそれらのバランスを学習する軽量なプラグインである。 CASPは、最も評価されたホモフィル性およびヘテロフィル性の設定で多様なバックボーンGNNを改善している。

関連論文リスト

Layer Embedding Deep Fusion Graph Neural Network [25.30982656886312]
グラフニューラルネットワーク(GNN)は,グラフ構造化データからの学習表現において,優れた性能を示す。本稿では,Deep Fusion Graph Neural Network (LEDF-GNN) と呼ばれる新しいフレームワークを提案する。
論文参考訳（メタデータ） (2026-04-25T14:25:02Z)
Community detection robustness of graph neural networks [19.213455157528912]
グラフニューラルネットワーク(GNN)は、属性付きネットワークのコミュニティ検出にますます利用されている。我々は、GCN、GAT、Graph-SAGE、DiffPool、MinCUT、DMoNの6つの広く採用されているGNNアーキテクチャを評価した。教師なしGNNは高いベースライン精度を達成する傾向があるが、教師なしの手法、特にDMoNは強いレジリエンスを維持している。
論文参考訳（メタデータ） (2025-09-29T12:08:22Z)
Non-Dissipative Graph Propagation for Non-Local Community Detection [14.99394337842476]
本稿では,新しい教師なしコミュニティ検出手法であるunsupervised Antisymmetric Graph Neural Network (uAGNN)を紹介する。従来手法では長距離依存性を活用できなかった,中・中程度のヘテロフレンドリーな環境下での uAGNN の優れた性能を示す。これらの結果は、多様なグラフ環境において、教師なしのコミュニティ検出のための強力なツールとしての uAGNN の可能性を強調している。
論文参考訳（メタデータ） (2025-08-15T12:26:48Z)
A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
署名されたグラフの枠組みに基づく統一的な理論的視点を示す。既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
論文参考訳（メタデータ） (2025-02-17T03:25:36Z)
Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
論文参考訳（メタデータ） (2024-02-18T07:49:22Z)
Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
グラフ異常検出(GAD)は二項分類の問題である。ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
論文参考訳（メタデータ） (2024-01-25T13:07:34Z)
Quantifying the Echo Chamber Effect: An Embedding Distance-based Approach [28.715087124800565]
本稿では,Echo Chamber Score(ECS)について紹介する。ユーザ間の距離測定を容易にするために,自己教師付きグラフオートエンコーダを用いたユーザ埋め込みモデルであるEchoGAEを提案する。本研究は、エコーチャンバーの定量化とオンライン談話のダイナミックスに光を流すツールとしてのECSの有効性を示す。
論文参考訳（メタデータ） (2023-07-10T16:11:33Z)
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)
Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
論文参考訳（メタデータ） (2022-11-15T11:44:31Z)
QD-GCN: Query-Driven Graph Convolutional Networks for Attributed Community Search [54.42038098426504]
QD-GCNは、ACS問題を解決するために、コミュニティ構造とノード属性を統一するエンドツーエンドフレームワークである。本稿では、QD-GCNが既存の属性付きコミュニティ検索アルゴリズムを効率性と有効性の両方で上回ることを示す。
論文参考訳（メタデータ） (2021-04-08T07:52:48Z)
Adversarial Graph Disentanglement [47.27978741175575]
実世界のグラフは複雑な位相構造を持ち、しばしば異なる潜在因子の相互作用によって形成される。グラフ表現学習のためのアンダーラインtextbfAdversarial underlinetextbfDisentangled underlinetextbfGraph underlinetextbfConvolutional underlinetextbfNetwork (ADGCN)を提案する。
論文参考訳（メタデータ） (2021-03-12T14:11:36Z)
On the Impact of Communities on Semi-supervised Classification Using Graph Neural Networks [0.5872014229110213]
半教師付きノード分類におけるGNNの性能に対するコミュニティ構造の影響をグラフ上で体系的に研究する。その結果,コミュニティは学習過程や分類性能に大きな影響を与えることが示唆された。
論文参考訳（メタデータ） (2020-10-30T13:17:38Z)

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。