論文の概要: HERALD: High-Fidelity Exemplar Retrieval with Adaptive Landmark Distillation for Heterophily-Aware Graph Condensation
- arxiv url: http://arxiv.org/abs/2609.11123v1
- Date: Thu, 10 Sep 2026 06:11:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.217804
- Title: HERALD: High-Fidelity Exemplar Retrieval with Adaptive Landmark Distillation for Heterophily-Aware Graph Condensation
- Title（参考訳）: Heterophily-Aware Graph Condensation のための適応的ランドマーク蒸留法を用いた高忠実検索法
- Abstract要約: 本研究では,グラフのヘテロフィリエにノードのスコアリングと特徴選択を適応させる,勾配のないグラフ凝縮フレームワークを提案する。
ホモフィリックおよびヘテロフィリックな設定にまたがる8つのベンチマークデータセットの実験は、HERALDがヘテロフィリックグラフ上の最先端の凝縮器にマッチするか、より優れていることを示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph condensation aims to produce a small surrogate graph that preserves the downstream node-classification performance of a much larger original graph. Existing methods rely on Weisfeiler-Lehman neighbourhood aggregation or gradient-based distribution matching, both of which assume that adjacent nodes share the same label, an assumption that breaks down under heterophily. We propose HERALD (High-fidelity Exemplar Retrieval with Adaptive Landmark Distillation), a gradient-free graph condensation framework that adapts the node scoring and feature selection in the condensation pipeline to the graph's measured heterophily. HERALD selects features via a joint Fisher-discriminability and activation-density criterion that down-weights aggregated representations on heterophilic graphs, and scores nodes by a weighted combination of prototype representativeness, decision-boundary proximity, and Local Intrinsic Dimensionality (LID), where the weights are driven by a smooth sigmoid function of the heterophily ratio. Nodes are then assembled into a condensed subgraph through score-ordered BFS expansion, Personalised PageRank pruning, and class rebalancing, all at an identical storage budget to BONSAI, enabling direct comparison. Experiments on eight benchmark datasets spanning homophilic and heterophilic settings show that HERALD matches or outperforms state-of-the-art condensers on heterophilic graphs and remains competitive on homophilic ones across four GNN architectures.
- Abstract（参考訳）: グラフ凝縮は、より大きな元のグラフの下流ノード分類性能を保持する小さな代理グラフを作成することを目的としている。
既存の手法はWeisfeiler-Lehman近傍の集約や勾配に基づく分布マッチングに依存しており、どちらも隣接ノードが同一のラベルを共有していると仮定している。
本稿では,ノードのスコアリングと特徴選択をグラフのヘテロフィリーに適応させる,勾配のないグラフ凝縮フレームワークHERALDを提案する。
HERALDは、ヘテロフィリックグラフ上の下級重みが集約された表現を結合したフィッシャー識別性とアクティベーション密度の基準により特徴を抽出し、その重みがヘテロフィリ比の滑らかなシグモイド関数によって駆動されるプロトタイプ代表性、決定境界距離、局所固有次元(LID)の重み付けの組み合わせによってノードをスコアリングする。
ノードは、スコア順のBFS拡張、パーソナライズされたPageRankプルーニング、クラス再バランスを通じて、BONSAIと同一のストレージ予算で集約されたサブグラフに組み立てられ、直接比較が可能である。
ホモ親和性およびヘテロ親和性の設定にまたがる8つのベンチマークデータセットの実験では、HERALDはヘテロ親和性グラフ上の最先端の凝縮器と一致し、GNNの4つのアーキテクチャにまたがるホモ親和性に競争し続けている。
関連論文リスト
- SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。
SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
論文 参考訳（メタデータ） (2026-05-15T07:26:54Z) - Graph Domain Adaptation via Homophily-Agnostic Reconstructing Structure [37.365629880774954]
Graph Domain Adaptation (GDA)はラベル付きソースグラフからラベルなしターゲットグラフに知識を転送する。
本稿では, グラフ間の知識を, 様々な次数で効果的に伝達する新しいホモフィズ・アグノスティック・アプローチを提案する。
論文 参考訳（メタデータ） (2026-02-07T14:40:49Z) - HGC-Herd: Efficient Heterogeneous Graph Condensation via Representative Node Herding [17.632566656960673]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、多型ノード間の複雑なセマンティクスや関係をモデル化する強力な能力を示している。
HGC-Herdは、コンパクトだが情報に富む異種グラフを生成する訓練不要な凝縮フレームワークである。
ACM、DBLP、Freebaseに関する大規模な実験により、HGC-Herdはフルグラフトレーニングに匹敵するあるいは優れた精度が得られることが確認された。
論文 参考訳（メタデータ） (2025-12-08T09:24:48Z) - 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) - Training-free Heterogeneous Graph Condensation via Data Selection [74.06562124781104]
本稿では, 高速かつ高品質な不均質凝縮グラフ生成を容易にする, FreeHGC と呼ばれる, 基礎となる不均質グラフ凝縮法について紹介する。
具体的には、不均質グラフの凝縮問題をデータ選択問題として再構成し、不均質グラフにおける代表ノードとエッジを評価し、凝縮するための新たな視点を提供する。
論文 参考訳（メタデータ） (2024-12-20T02:49:32Z) - HC-GST: Heterophily-aware Distribution Consistency based Graph Self-training [29.289729624422773]
異種グラフ上での自己学習におけるホモフィリ比分布シフトを減少させる新しい問題について検討する。
そこで本研究では,ヘテロフィックな分散一貫性に基づくグラフ自己学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-25T05:38:06Z) - 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) - 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 Contrastive Learning under Heterophily via Graph Filters [51.46061703680498]
グラフコントラスト学習(CL)法は,GNNエンコーダを用いて得られる拡張ノード表現の類似性を最大化することにより,ノード表現を自己指導的に学習する。
本研究では,ヘテロフィリー下でのグラフ表現学習に有効なグラフCL法であるHLCLを提案する。
我々の広範な実験により、HLCLはヘテロフィリーのベンチマークデータセットや大規模実世界のグラフで最先端のグラフCL法を最大7%上回り、ヘテロフィリーのデータセットでグラフ教師あり学習法を最大10%上回ります。
論文 参考訳（メタデータ） (2023-03-11T08:32:39Z) - 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) - Single-Pass Contrastive Learning Can Work for Both Homophilic and
Heterophilic Graph [60.28340453547902]
グラフコントラッシブ・ラーニング(GCL)技術は通常、コントラッシブ・ロスを構築するために単一のインスタンスに対して2つのフォワードパスを必要とする。
既存のGCLアプローチは、強力なパフォーマンス保証を提供していない。
我々はSingle-Pass Graph Contrastive Learning法(SP-GCL)を実装した。
経験的に、SP-GCLが学んだ機能は、計算オーバーヘッドを著しく少なくして、既存の強いベースラインにマッチまたは性能を向上することができる。
論文 参考訳（メタデータ） (2022-11-20T07:18:56Z)
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。