論文の概要: Beyond Fixed Features: Architecture-Dependent Sensitivity to Node Representations under Heterophily

• arxiv url: http://arxiv.org/abs/2609.33764v1
• Date: Sun, 27 Sep 2026 17:03:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 16:52:17.951339
• Title: Beyond Fixed Features: Architecture-Dependent Sensitivity to Node Representations under Heterophily
• Title（参考訳）: 固定機能を超えた:アーキテクチャ依存のノード表現に対する感性
• Abstract要約: グラフニューラルネットワーク(GNN)は、ホモフィリックグラフではよく機能するが、ヘテロフィリックな設定では苦戦する。 ノード表現では,アーキテクチャ性能が条件付きであることを示す。
• 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 Neural Networks (GNNs) perform well on homophilic graphs but struggle in heterophilic settings, where connected nodes often carry dissimilar labels. Existing evaluations typically compare architectures under a fixed node-feature representation, leaving unclear whether conclusions about heterophily robustness remain stable as the input representation changes. We address this question by constructing parallel feature variants of two large-scale heterophilic benchmarks, Roman-Empire and Amazon-Ratings, pairing each graph with representations ranging from static fastText vectors to contextual Transformer embeddings and evaluating seven GNN architectures across these representations. We find that the effect of representation varies across architectures: on Roman-Empire, the contextual gain ranges from 2.38 percentage points for GCN-sep to 13.67 points for GAT, with H2GCN gaining 8.77 points. On Amazon-Ratings, where node text is limited to short product titles, GAT improves by 6.78 points from fastText to MPNet, while GCN-sep changes by only 0.20 points. These results show that architectural performance is conditional on node representation: the same representation change can produce different magnitudes of performance gain across architectures, so architecture and representation cannot be treated as independent evaluation factors. A rank-correlation analysis on these two benchmarks further shows that the relative ordering of architectures remains highly stable across representations, isolating differential sensitivity, rather than ranking instability, as the primary effect.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、ホモフレンドリなグラフではよく機能するが、接続ノードが異種ラベルを持つヘテロフレンドリな設定では苦戦する。 既存の評価では、固定ノード特徴表現の下でのアーキテクチャの比較が一般的であり、入力表現が変化するにつれてヘテロフィリロバスト性に関する結論が安定であるかどうかは不明である。 この問題に対して,Roman-Empire と Amazon-Ratings という2つの大規模ヘテロフィルベンチマークの並列特徴変種を構築し,静的な fastText ベクトルからコンテクストの Transformer 埋め込みに至るまで,各グラフをペアリングし,これらの表現にまたがる7つの GNN アーキテクチャの評価を行う。 ローマ・アンパイアでは、GCN-sepの2.38ポイントからGATの13.67ポイント、H2GCNの8.77ポイントまで、表現の効果はアーキテクチャによって異なる。 ノードテキストが短い製品タイトルに限定されるAmazon-Ratingsでは、GATはfastTextからMPNetまで6.78ポイント改善されている。 これらの結果は、アーキテクチャ性能がノード表現に条件付きであることを示しており、同じ表現変化はアーキテクチャ間で異なる大きさのパフォーマンス向上をもたらす可能性があるため、アーキテクチャと表現を独立した評価要因として扱うことはできない。 これら2つのベンチマークのランク相関分析により、アーキテクチャの相対的な順序付けは表現全体で非常に安定であり、階数不安定性よりも差分感度を第一効果として分離することを示した。

関連論文リスト

• Unifying Graph Neural Networks Through a Common Layer Equation [75.88127999406392]
  7つのコンポーネントを通して被覆されたアーキテクチャを表現する共通層方程式を導入する。 中央の因子化は、伝達銀行によってエンコードされた情報と、メッセージマップによってエンコードされた動きとを分離する。 この統合を明確化し、標準層とコンポーネント割り当ての作業的削減を通じて、チェック可能にする。
  論文  参考訳（メタデータ） (2026-08-17T04:37:59Z)
• Columnar-Embedder: A Biologically Inspired Cortical Architecture for Binary Sparse Distributed Graph Representations [0.0]
  グラフノードのスパース分散表現を学習するためのカラムナー・エンベッドダーアーキテクチャを提案する。 このアーキテクチャは、ポータビリティ、ノイズに対するレジリエンス、データの破損に対する堅牢性を示す。 5つのグラフベンチマークにおいて、SDRの性能は実数値密度埋め込みと競合する。
  論文  参考訳（メタデータ） (2026-08-12T03:31:39Z)
• Unsupervised Graph Representation Learning with Complementary View Alignment [9.33832512108175]
  教師なしグラフ表現学習は、ラベル付きデータに頼ることなく意味のあるノード埋め込みを導出することを目的としている。 我々は、補完的なビューアライメントを通して全周波数スペクトルを保存するtextitMaskGAE の新たな拡張である textscAlignGAE を提案する。 本フレームワークでは,構造情報と属性情報を別々に処理し,ノード位置エンコーディングを取り入れたデュアルエンコーダアーキテクチャを導入し,エッジとノード属性の両面に二重再構成タスクを採用する。
  論文  参考訳（メタデータ） (2026-07-27T12:15:25Z)
• Structure-Guided Input Graph for GNNs facing Heterophily [31.368672838207022]
  ノードが構造的特性を共有している場合、ノードが接続される新しいグラフを作成します。 実験の結果,新たに定義されたグラフではラベルのスムーズさが示され,GNNアーキテクチャの性能も向上した。
  論文  参考訳（メタデータ） (2024-12-02T17:52:33Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• HHGT: Hierarchical Heterogeneous Graph Transformer for Heterogeneous Graph Representation Learning [19.667806439200792]
  K,t)-ring neighborhoodと呼ばれる革新的な構造を開発し、ノードはまずその距離によって構成され、各距離ごとに異なる非重なり合うk-ring neighborhoodを形成する。 各 k-環構造の中で、ノードはそれらのタイプによってさらに異なるグループに分類されるので、HINにおける距離と型の両方の不均一性を自然に強調する。 HHGTの14ベースラインに対する優位性を検証するために、下流タスクで実験が行われ、ノードクラスタリングタスクでは、NMIが24.75%、ARIが29.25%まで改善された。
  論文  参考訳（メタデータ） (2024-07-18T04:58:27Z)
• DepGraph: Towards Any Structural Pruning [68.40343338847664]
  我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。 本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。 本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
  論文  参考訳（メタデータ） (2023-01-30T14:02:33Z)
• 2-hop Neighbor Class Similarity (2NCS): A graph structural metric indicative of graph neural network performance [4.051099980410583]
  グラフニューラルネットワーク(GNN)は、多数のドメインにわたるグラフ構造化データに対して最先端のパフォーマンスを実現する。 異なるタイプのノードが接続されるヘテロ親和性グラフでは、GNNは一貫して機能しない。 2-hop Neighbor Class similarity (2NCS) は、GNNのパフォーマンスと、他の指標よりも強く、一貫して相関する新しい定量的グラフ構造特性である。
  論文  参考訳（メタデータ） (2022-12-26T16:16:51Z)
• 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)
• Building powerful and equivariant graph neural networks with structural message-passing [74.93169425144755]
  本稿では,2つのアイデアに基づいた,強力かつ同変なメッセージパッシングフレームワークを提案する。 まず、各ノードの周囲の局所的コンテキスト行列を学習するために、特徴に加えてノードの1ホット符号化を伝搬する。 次に,メッセージのパラメトリゼーション手法を提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:15:16Z)

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。