論文の概要: Not All Nodes Are Created Equal: Homophily-Aware Stratification for Stable GNN Evaluation

• arxiv url: http://arxiv.org/abs/2609.19210v1
• Date: Wed, 16 Sep 2026 11:27:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.951121
• Title: Not All Nodes Are Created Equal: Homophily-Aware Stratification for Stable GNN Evaluation
• Title（参考訳）: すべてのノードが等しく作成されるわけではない:安定したGNN評価のためのホモフィリーアウェア戦略
• Abstract要約: グラフニューラルネットワークは、トランスダクティブノード分類に広く利用されている。 hp は位相対応の層状化処理であり、ノードのホモフィリーを一次層状化軸として扱う。 hpは、ランダムな$k$-foldの2.31と比較して平均安定性ランクが1.49であり、15データセットの13の平均安定性ランクが最低である。
• 参考スコア（独自算出の注目度）: 5.880659774011303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks are widely used for transductive node classification, with accuracy typically measured on randomly drawn train/validation/test splits. Reported accuracy has been shown to shift substantially across different random splits of the same dataset, making published comparisons between architectures unreliable. The classical remedy in non-graph settings is stratified $k$-fold cross-validation, which ensures each test fold reflects the full class distribution of the dataset. We argue that class stratification alone is insufficient for graphs: nodes are not isolated but connected, and folds that differ in their distribution of local neighbourhood homophily expose the model to systematically different relational conditions that directly affect message-passing behaviour. The resulting cross-fold variation reflects the homophily composition of each split, inflating reported variance beyond what model behaviour alone would produce. To address this, we propose \hp{}, a topology-aware stratification procedure that treats node homophily as the primary stratification axis, aligning folds with respect to local relational consistency alongside the class marginal that standard stratification already controls. Stratifying on homophily alone does not guarantee class balance, so \hp{} incorporates class label as a secondary axis, preserving class representativeness as a natural consequence of the procedure. We evaluate \hp{} on a broad benchmark suite comprising 15 node-classification datasets spanning the full homophily spectrum and 7 GNN architectures. \hp{} achieves a mean stability rank of 1.49 compared to 2.31 for random $k$-fold, achieving the lowest mean stability rank on 13 of 15 datasets while preserving class balance close to class-stratified splits and substantially better than random. We argue that homophily-aware split construction merits broader adoption for GNN evaluation.
• Abstract（参考訳）: グラフニューラルネットワークは、ランダムに描画されたトレイン/バリデーション/テストスプリットで測定される精度で、トランスダクティブノード分類に広く使用されている。 報告された精度は、同じデータセットの異なるランダムスプリット間で大きく変化していることが示されており、アーキテクチャ間の比較は信頼性が低い。 非グラフ設定における古典的な治療法は、$k$-foldクロスバリデーションの階層化であり、各テストフォールドがデータセットの全クラス分布を反映することを保証している。 ノードは孤立しないが連結であり、局所的近傍のホモフィリー分布が異なる折り畳みは、メッセージパッシング行動に直接影響を及ぼす系統的に異なる関係条件にモデルを公開する。 結果として生じるクロスフォールドの変動は、各分割のホモフィリーな構成を反映し、報告されたばらつきを、モデル行動単独が生み出すものを超えて反映する。 これを解決するために, 位相対応の位相対応成層法である \hp{} を提案し, 標準成層が既に支配しているクラス境界とともに, 局所的関係整合性に関して折りたたみを整列させる。 ホモフィリーのみの成層はクラスバランスを保証しないので、 \hp{} はクラスラベルを二次軸として含み、クラス代表性を手続きの自然な結果として保存する。 我々は、全ホモフィリースペクトルと7つのGNNアーキテクチャにまたがる15のノード分類データセットからなる、幅広いベンチマークスイート上で \hp{} を評価する。 \hp{} は、ランダムな$k$-foldの2.31と比べて平均安定性のランクが 1.49 に達し、15 つのデータセットのうち13 つの平均安定性のランクが最低となる一方で、クラス階層化された分割に近いクラスバランスを保ち、ランダムよりもかなり良い。 ホモフィリー・アウェア・スプリット・コンストラクションは,GNN評価において広く採用されている。

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)
• Interpretable and Adaptive Node Classification on Heterophilic Graphs via Combinatorial Scoring and Hybrid Learning [1.2691047660244335]
  グラフニューラルネットワーク(GNN)は、ホモフィルグラフ上で強い性能を達成するが、隣接するノードがしばしば異なるクラスに属しているため、しばしば過度に苦労する。 本稿では、深いメッセージパッシングではなく、明示的な推論に基づく半教師付きノード分類のための解釈可能かつ適応的なフレームワークを提案する。 ヘテロ親和性および遷移性ベンチマークの実験は、現代のGNNと競合する性能を示し、解釈可能性、マグロ、計算効率の利点を提供する。
  論文  参考訳（メタデータ） (2025-12-22T20:50:44Z)
• 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)
• Benign Overfitting and the Geometry of the Ridge Regression Solution in Binary Classification [75.01389991485098]
  リッジ回帰はクラスタ平均ベクトルのスケールによって定性的に異なる挙動を示す。 スケールが非常に大きいレジームでは、良心過剰を許容する条件は回帰タスクと同一であることが判明した。
  論文  参考訳（メタデータ） (2025-03-11T01:45:42Z)
• Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression [102.24287051757469]
  深部異方性回帰における自己教師付き共分散推定について検討する。 正規分布の間の2-ワッサーシュタイン距離の上界を導出する。 幅広い合成データセットと実データセットに対する実験により、提案された2-ワッサーシュタインと擬似ラベルアノテーションが結合した結果、計算的に安価で正確な深部ヘテロ代用回帰が導かれることが示された。
  論文  参考訳（メタデータ） (2025-02-14T22:37:11Z)
• 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)
• TAM: Topology-Aware Margin Loss for Class-Imbalanced Node Classification [33.028354930416754]
  学習目的の局所的トポロジを反映するトポロジ・アウェア・マージン(TAM)を提案する。 提案手法は,ノード分類ベンチマークデータセットのベースラインよりも常に優位性を示す。
  論文  参考訳（メタデータ） (2022-06-26T16:29:36Z)

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。