論文の概要: Degraded but Not Entirely Ineffective: PE-Based Deformable Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2609.13712v1
• Date: Sat, 12 Sep 2026 04:56:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.482185
• Title: Degraded but Not Entirely Ineffective: PE-Based Deformable Graph Neural Networks
• Title（参考訳）: PEベースで変形可能なグラフニューラルネットワーク
• Abstract要約: 位置について提案する。 Based Deformable Space Aggregation Module (PEBDSAM) 我々は、位置空間における変形可能なメカニズムを用いて、GNNの関連する一階隣の情報を識別し、従来のGNNが異種シナリオに適応できるようにする。 モジュールはプラグインされ、GCN、GAT、GIN、GraphSAGEに適用され、3つのホモフィル性データセットと6つのヘテロフィル性グラフデータセットに対して望ましい結果が得られる。
• 参考スコア（独自算出の注目度）: 7.304609897426712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world scenarios can be represented using graph-structured data. However, traditional GNNs that transmit messages based on first-order neighbors have long faced several fundamental contradictions: increasing depth leads to over-smoothing, long-range dependencies cause over-compression, fixed neighborhoods restrict the receptive field, and on heterophilous graphs, topological neighbors become a source of noise. Although many works have addressed these issues individually, few mechanisms can simultaneously alleviate all of these challenges. To address the aforementioned problems, we propose a Position Encoding-Based Deformable Spatial Aggregation Module (PEBDSAM) that solves them all in one step. Specifically, we utilize a deformable mechanism in the position space to identify relevant nodes to supplement the original first-order neighbor information of GNNs, allowing traditional GNNs to adapt to heterophilous scenarios. Through diagnostic experiments, we obtained several major findings: current offsets fail to have any effect; subsequently, we analyzed the causes of offset failure and why model performance still improves even after offset failure, pointing out future research directions. Based on these diagnostic experiments, we streamlined the original PEBDSAM, resulting in a simplified version, which we call the Position Encoding-Based Spatial Aggregation Module (PEBSAM). In addition, we propose a PEBSAM-Speed to adapt to large datasets. Finally, we designed the module to be plug-and-play and applied it to GCN, GAT, GIN, and GraphSAGE, achieving desirable results on three homophilous datasets and six heterophilous graph datasets.
• Abstract（参考訳）: 多くの実世界のシナリオはグラフ構造化データを使って表現できる。 しかし、一階の隣人に基づくメッセージを送信する従来のGNNは、長年、いくつかの根本的な矛盾に直面してきた: 深さの増大は過度な平滑化をもたらし、長距離依存は過圧縮を引き起こし、固定された近傍は受容場を制限し、異種グラフでは、トポロジ的隣人はノイズの源となる。 多くの研究が個別にこれらの問題に対処しているが、これらの課題を同時に緩和できるメカニズムはほとんどない。 上記の問題に対処するため,位置符号化に基づく変形可能な空間アグリゲーションモジュール (PEBDSAM) を提案する。 具体的には、位置空間における変形可能なメカニズムを用いて、関連するノードを識別し、元のGNNの1次隣接情報を補うことにより、従来のGNNが異種シナリオに適応できるようにする。 診断実験により,現在のオフセットには何の影響も与えず,その後,オフセット障害の原因とモデル性能が相変わらず改善する理由を解析し,今後の研究方向性を指摘した。 これらの診断実験に基づいて,元のPEBDSAMを合理化して簡易化し,位置エンコーディングに基づく空間集合モジュール (PEBSAM) と呼ぶ。 さらに,大規模なデータセットに適応するPEBSAM-Speedを提案する。 最後に, このモジュールをプラグインとして設計し, GCN, GAT, GIN, GraphSAGEに適用した。

関連論文リスト

• Graph Mixture of Experts and Memory-augmented Routers for Multivariate Time Series Anomaly Detection [28.57277614615255]
  本稿では,多変量時系列異常検出のためのGraph Mixture of Experts (Graph-MoE)ネットワークを提案する。 我々のGraph-MoEは、プラグイン・アンド・プレイ方式で任意のGNNベースのMSS異常検出手法に統合できる。 さらに,MTSのグローバルな歴史的特徴から時間的相関情報を捉えるために,メモリ拡張ルータを提案する。
  論文  参考訳（メタデータ） (2024-12-26T07:49:51Z)
• Towards Scalable and Deep Graph Neural Networks via Noise Masking [59.058558158296265]
  グラフニューラルネットワーク(GNN)は多くのグラフマイニングタスクで顕著に成功している。 計算とストレージのコストが高いため、大きなグラフにスケールすることは困難です。 既存のモデル単純化作業と互換性のあるプラグアンドプレイモジュールであるノイズマスキング(RMask)を用いたランダムウォークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T07:48:14Z)
• DuoGNN: Topology-aware Graph Neural Network with Homophily and Heterophily Interaction-Decoupling [0.0]
  グラフニューラルネットワーク(GNN)は、自動疾患診断など、様々な医療画像の応用に有効であることが証明されている。 それらは本質的に2つの基本的な制限に悩まされる: まず、不明瞭なノードの埋め込みは、ヘテロ親和性ノードの集約に起因する。 我々は、トポロジを利用してホモ親和性およびヘテロ親和性のあるエッジを分離するスケーラブルで一般化可能なアーキテクチャであるDuoGNNを提案する。
  論文  参考訳（メタデータ） (2024-09-29T09:01:22Z)
• Redesigning graph filter-based GNNs to relax the homophily assumption [31.368672838207022]
  グラフニューラルネットワーク(GNN)は、不規則なドメイン上で定義されたデータから学習するためのワークホースアプローチとなっている。 ホモフィリー仮定の限界を緩和するために設計された,単純で効果的なアーキテクチャを提案する。 提案したアーキテクチャは、畳み込みGNNにおけるグラフフィルタの役割を再解釈し、より一般的なアーキテクチャとなる。
  論文  参考訳（メタデータ） (2024-09-13T09:43:36Z)
• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• Sign is Not a Remedy: Multiset-to-Multiset Message Passing for Learning on Heterophilic Graphs [77.42221150848535]
  我々は、Multiset to Multiset GNN(M2M-GNN)と呼ばれる新しいメッセージパッシング機能を提案する。 M2M-GNNは上述のSMPの限界を効果的に緩和し, 比較性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-05-31T07:39:22Z)
• 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)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• AGNN: Alternating Graph-Regularized Neural Networks to Alleviate Over-Smoothing [29.618952407794776]
  グラフ畳み込み層(GCL)とグラフ埋め込み層(GEL)からなる交代グラフ正規化ニューラルネットワーク(AGNN)を提案する。 GELはラプラシアン埋め込み項を含むグラフ正規化最適化から導かれる。 AGNNは、いくつかの多層または多次グラフニューラルネットワークのパフォーマンス比較を含む、多数の実験を通じて評価されている。
  論文  参考訳（メタデータ） (2023-04-14T09:20:03Z)
• An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
  本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。 従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
  論文  参考訳（メタデータ） (2021-03-27T04:47:59Z)

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。