論文の概要: When Connected Does Not Mean Similar: Charting the Homophily Boundary of SNAP-KG for Streaming Entity Integration

• arxiv url: http://arxiv.org/abs/2609.12356v1
• Date: Fri, 11 Sep 2026 02:29:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.587792
• Title: When Connected Does Not Mean Similar: Charting the Homophily Boundary of SNAP-KG for Streaming Entity Integration
• Title（参考訳）: Connectedが似ていない場合: エンティティ統合をストリーミングするためにSNAP-KGのホモフィリ境界をグラフ化する
• Abstract要約: SNAP-KGは、成長する知識グラフにおいて、新しく到着したエンティティをセマンティックなコミュニティに割り当てるフレームワークである。 5つのマルチビューベンチマークと2.4MノードのOGB-WikiKG2 KGで評価された。 評価を3つのヘテロフィルグラフに拡張し、すべてのビューのエッジホモフィリーを測定する。
• 参考スコア（独自算出の注目度）: 1.1565257196553245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: SNAP-KG is a framework for assigning newly arriving entities to semantic communities in a growing knowledge graph (KG) using only their raw features, with no graph access and no retraining at inference time. It was evaluated on five multi-view benchmarks and a 2.4M-node OGB-WikiKG2 KG. In each of these datasets, at least one graph view is homophilous, meaning that connected nodes usually belong to the same class, and SNAP-KG performs well on all of them. This paper asks what happens outside that setting. We extend the evaluation to three heterophilous graphs (Texas, Wisconsin, Chameleon) and measure the edge homophily of every view. When no homophilous view is available, clustering quality drops sharply for both SNAP-KG and the transductive baselines used in its original evaluation. What decides this is the homophily of the relation, not the number of relations. Multi-view fusion still helps, but only when at least one homophilous relation provides a reliable foundation. The homophily assumption is therefore shared by the whole method family, not specific to SNAP-KG. We argue that heterophilous multi-view clustering is a separate research problem, outside the scope of this work. As future work, we outline how a heterophily-aware teacher could be distilled into SNAP-KG's projector to serve both homophilous and heterophilous KGs.
• Abstract（参考訳）: SNAP-KGは、生のフィーチャのみを使用して成長する知識グラフ(KG)において、新しく到着したエンティティをセマンティックなコミュニティに割り当てるフレームワークである。 5つのマルチビューベンチマークと2.4MノードのOGB-WikiKG2 KGで評価された。 これらのデータセットのそれぞれにおいて、少なくとも1つのグラフビューはホモ親和性であり、つまり連結ノードは通常同じクラスに属し、SNAP-KGはそれらすべてでうまく機能する。 この論文は、その設定の外で何が起こるか尋ねる。 評価は、テキサス、ウィスコンシン、シャメレオンの3つのヘテロフィルグラフに拡張し、すべてのビューのエッジホモフィリーを測定する。 ホモフレンドリーなビューが得られない場合、SNAP-KGとトランスダクティブベースラインの両方でクラスタリングの品質は急激に低下する。 これを決定するのは関係のホモフィリーであり、関係の数ではない。 マルチビュー融合は依然として有効であるが、少なくとも1つのホモ親和関係が信頼できる基礎を提供する場合に限られる。 したがって、ホモフィリー仮定は、SNAP-KGに固有のものではなく、メソッド族全体によって共有される。 我々は、異種多視点クラスタリングは、この研究の範囲外において、別個の研究問題であると主張している。 今後の研究として、同胞体を持つ教師をSNAP-KGのプロジェクターに蒸留して、同胞体KGと異胞体KGの両方を提供する方法について概説する。

関連論文リスト

• It Takes a Graph to Know a Graph: Rewiring for Homophily with a Reference Graph [19.222317334613162]
  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の解析に長けているが、連結ノードがしばしば異なるクラスに属している異種グラフに苦戦している。 我々は、エッジホモフィリー、GNN埋め込みの滑らかさ、ノード分類性能をリンクする理論的基礎を提供する。 参照グラフを用いてグラフをホモフィリに増加させるリワイアリングフレームワークを導入し、リワイアグラフのホモフィリを理論的に保証する。
  論文  参考訳（メタデータ） (2025-05-18T13:28:56Z)
• SiMilarity-Enhanced Homophily for Multi-View Heterophilous Graph Clustering [18.108753344903473]
  マルチビューヘテロ親和性グラフクラスタリング(SMHGC)のためのSiMilarity-enhanced Homophilyを提案する。 多視点ヘテロ親和性データセットおよびホモ親和性データセットの最先端実験結果は、教師なし多視点ヘテロ親和性グラフ学習における類似性の強い能力を示す。
  論文  参考訳（メタデータ） (2024-10-04T16:55:35Z)
• 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)
• What Is Missing In Homophily? Disentangling Graph Homophily For Graph Neural Networks [3.1227658238819855]
  グラフホモフィリー(Graph homophily)は、連結ノードが同様の特性を共有する傾向にある現象を指す。 エッジやノードのホモフィリーのような最も広く使われているホモフィリー計量は、そのような「類似性」を定量化する。 グラフニューラルネットワーク(GNN)のホモフィリな影響はいまだに不明で議論の余地がある。
  論文  参考訳（メタデータ） (2024-06-27T02:48:33Z)
• 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)
• Provable Filter for Real-world Graph Clustering [11.7278692671308]
  実用的なグラフを扱うための原則的な方法が緊急に必要である。 我々は、それぞれ高度にホモ親和性とヘテロ親和性を持つ2つのグラフを構築する。 我々は、ホモフィルグラフとヘテロフィルグラフの両方に関する広範な実験を通して、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2024-03-06T12:37:49Z)
• 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)
• Characterizing Graph Datasets for Node Classification: Homophily-Heterophily Dichotomy and Beyond [36.5554915218563]
  ホモフィリー(英: Homophily)は、類似したノードを接続するエッジの傾向を記述するグラフ特性である。 文学において、ホモフィリーの普遍的に合意された尺度は存在しない。 一般的に使用されるホモフィリー測度は、異なるデータセット間でのホモフィリーレベルの比較を防止するために、重大な欠点があることが示される。
  論文  参考訳（メタデータ） (2022-09-13T17:28:25Z)
• HL-Net: Heterophily Learning Network for Scene Graph Generation [90.2766568914452]
  本稿では,シーングラフにおけるオブジェクト/リレーショナル間のホモフィリとヘテロフィリを探索する,新しいヘテロフィリズ学習ネットワーク(HL-Net)を提案する。 HL-Netは、適応的な再重み付け変換モジュールで、異なる層からの情報を適応的に統合し、オブジェクトのヘテロフィリとホモフィリの両方を利用する。 我々は、ビジュアルゲノム(VG)とオープンイメージ(OI)の2つの公開データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-05-03T06:00:29Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• 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)

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。