論文の概要: HOPE: Heterophily-Aware Open-Set Node Classification with Pseudo-Extrapolation

• arxiv url: http://arxiv.org/abs/2609.08685v1
• Date: Tue, 08 Sep 2026 12:53:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.650803
• Title: HOPE: Heterophily-Aware Open-Set Node Classification with Pseudo-Extrapolation
• Title（参考訳）: Pseudo-Extrapolation を用いた Heterophily-Aware Open-Set Node 分類
• Abstract要約: Pseudo-Extrapolation を用いた Heterophily-aware Open-set node 分類法 HOPE を提案する。 HOPEは一貫して最先端のモデルより優れており、その有効性、堅牢性、効率性を検証している。
• 参考スコア（独自算出の注目度）: 28.537709980685275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Standard open-set node classification methods rely on the homophily assumption, where connected nodes share labels. However, real-world graphs are often heterophilic, exposing the limitations of current methods and posing new challenges to open-set node classification. On the one hand, cross-class connectivity causes representations from different known or unknown classes to become intertwined after aggregation, undermining their discriminative capacity. On the other hand, structural mixture invalidates threshold-based open-set methods and cross-class feature interpolation, leading to unreliable unknown-class rejection. To address these challenges, we propose HOPE, a Heterophily-aware Open-set node classification method with Pseudo-Extrapolation. To adapt open-set graph neural networks (GNNs) to heterophilic scenarios, HOPE uses a structure-augmented feature initialization layer to capture multi-hop structural patterns. Meanwhile, we design a trustworthy neighborhood aggregation mechanism for standard GNNs to dynamically filter noisy cross-class neighbors. To enhance unknown-class rejection, we introduce a heterophily-guided pseudo-extrapolation strategy. It dynamically maintains known-class centers and extrapolates along cross-class neighborhood displacement directions, synthesizing pseudo-unknown proxies near structurally ambiguous regions. Finally, we optimize the network with joint classification and logit margin regularization, routing synthetic proxies into a dedicated rejection slot without imposing geometric margin constraints in the representation space. Extensive experiments on multiple datasets show that HOPE consistently outperforms state-of-the-art models, validating its effectiveness, robustness, and efficiency.
• Abstract（参考訳）: 標準開集合ノード分類法は、連結ノードがラベルを共有するホモフィリー仮定に依存する。 しかし、実世界のグラフはしばしばヘテロ親和性を持ち、現在の手法の限界を明らかにし、オープンセットノード分類に新たな課題を提起する。 一方、クラス間の接続は、異なる既知のクラスや未知のクラスからの表現が集約後に干渉し、識別能力が損なわれる。 一方、構造混合物はしきい値に基づくオープンセット法とクロスクラスの特徴補間を無効にし、信頼できない未知のクラスを拒絶する。 Pseudo-Extrapolation を用いた Heterophily-aware Open-set node classification 法であるHOPE を提案する。 オープンセットグラフニューラルネットワーク(GNN)を不均一なシナリオに適用するために、HOPEは、構造拡張された特徴の初期化レイヤを使用して、マルチホップ構造パターンをキャプチャする。 一方、標準GNNに対して、ノイズの多いクロスクラス隣人を動的にフィルタリングする信頼性の高い近傍集約機構を設計する。 未知のクラスを拒絶するために、異種誘導擬似外挿戦略を導入する。 既知のクラスの中心を動的に維持し、クラス間の移動方向に沿って外挿し、構造的に曖昧な領域の近くで擬似未知のプロキシを合成する。 最後に、結合分類とロジットマージン正規化によりネットワークを最適化し、表現空間に幾何学的マージン制約を課すことなく、合成プロキシを専用リジェクションスロットにルーティングする。 複数のデータセットに対する大規模な実験は、HOPEが一貫して最先端のモデルより優れており、その有効性、堅牢性、効率性が検証されていることを示している。

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)
• Beyond Fixed Depth: Adaptive Graph Neural Networks for Node Classification Under Varying Homophily [10.0426843232642]
  本研究では,局所構造特性とラベル特性を情報伝達ダイナミクスに関連付ける理論的枠組みを開発する。 本稿では,ノード固有の集約深さを動的に選択する適応深度GNNアーキテクチャを提案する。 本手法は, 統一モデルにおけるホモ親和性パターンとヘテロ親和性パターンの両方にシームレスに適応する。
  論文  参考訳（メタデータ） (2025-11-10T01:37:51Z)
• Limits of message passing for node classification: How class-bottlenecks restrict signal-to-noise ratio [0.6117371161379209]
  メッセージパッシングニューラルネットワーク(MPNN)はノード分類の強力なモデルであるが、グラフのヘテロフィリーおよび構造的ボトルネックの下でのパフォーマンス制限に悩まされている。 本稿では,MPNN表現の信号対雑音比(SNR)を用いて,ヘテロフィリとボトルネックの関係を明らかにする。 高次ホモフィリーを最大化するための最適グラフ構造は、単クラスおよび二クラス二部体の解離結合であることを示す。 これにより、全てのホモフィリーにおけるほぼ完璧な分類精度を達成するグラフアンサンブルに基づく再配線アルゴリズムBRIDGEが得られる。
  論文  参考訳（メタデータ） (2025-08-25T09:25:14Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• 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)
• Heterophily-Aware Graph Attention Network [42.640057865981156]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。 既存のヘテロフィル性GNNは、各エッジのヘテロフィリのモデリングを無視する傾向にあり、これはヘテロフィリ問題に取り組む上でも不可欠である。 本稿では,局所分布を基礎となるヘテロフィリーとして完全に探索し,活用することで,新たなヘテロフィア対応グラフ注意ネットワーク(HA-GAT)を提案する。
  論文  参考訳（メタデータ） (2023-02-07T03:21:55Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Class-Attentive Diffusion Network for Semi-Supervised Classification [27.433021864424266]
  Class-Attentive Diffusion Network (CAD-Net) は、半教師付き分類のためのグラフニューラルネットワークである。 本稿では,Kホップ近傍のノードを適応的に集約する新しいアグリゲーション手法を提案する。 提案手法の有効性を連続的に示す7つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-18T01:14:08Z)
• 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。