論文の概要: HeteGCD: Statistics-Aware Dual-Prototype Learning for Generalized Category Discovery on Heterophilous Graphs

• arxiv url: http://arxiv.org/abs/2610.36696v1
• Date: Tue, 27 Oct 2026 06:13:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.525521
• Title: HeteGCD: Statistics-Aware Dual-Prototype Learning for Generalized Category Discovery on Heterophilous Graphs
• Title（参考訳）: HeteGCD:異種グラフ上の一般化カテゴリー探索のための統計認識型デュアルプロトタイプ学習
• Abstract要約: HeteGCDは、異種グラフ上の一般化されたカテゴリ発見のための、統計学的に認識された新しいデュアルプロトタイプ学習の観点である。 具体的には、デュアルストリームエンコーダは、情報的ノード表現を学習するために、ノード属性とローカル属性差分統計の両方を統合する。
• 参考スコア（独自算出の注目度）: 12.236194948035047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterophilous graphs are prevalent in real-world applications, where connected nodes often exhibit dissimilar attributes or belong to different classes, posing significant challenges to conventional graph learning methods based on homophily. This limitation becomes particularly pronounced in generalized category discovery (GCD), which requires models to recognize known classes and discover novel ones using labels from known classes only. However, existing graph GCD methods typically rely on aforementioned homophily-based inductive biases, which are ill-suited to heterophilous graphs. Meanwhile, although current heterophilous graph learning methods exploit diverse neighborhood signals, their selection and fusion are often guided by supervision across all classes, including novel classes whose labels are unavailable in GCD. These limitations raise a key question: how can heterogeneous neighborhood information be effectively leveraged for category discovery without any novel-class supervision? To answer this question, in this study we propose HeteGCD, a new statistics-aware dual-prototype learning perspective for generalized category discovery on heterophilous graphs. The key idea is to examine both statistics of local attribute differences and neighborhood class distribution to extract discriminative information in feature and probability spaces simultaneously. Specifically, a gated dual-stream encoder integrates both node attributes and local attribute-difference statistics to learn informative node representations. Afterwards, a dual-prototype classifier combines feature-based similarity with distribution-based consistency to support category discovery. Experiments on five heterophilous graphs show that HeteGCD achieves competitive performance against 24 baseline combinations.
• Abstract（参考訳）: ヘテロ親和性グラフは実世界の応用において一般的であり、連結ノードはしばしば異なる属性を示すか、異なるクラスに属し、ホモフィリーに基づく従来のグラフ学習法に重大な課題を提起する。 この制限は、既知のクラスを認識し、既知のクラスのみのラベルを使用して新しいクラスを発見するモデルを必要とする一般化されたカテゴリ発見(GCD)において特に顕著になる。 しかし、既存のグラフ GCD 法は、前述のホモフィリーに基づく帰納バイアスに依存しており、これはヘテロ親和性グラフに不適である。 一方、現在の異種グラフ学習法は、多様な近傍信号を利用するが、その選択と融合は、GCDでラベルが利用できない新しいクラスを含む全てのクラスにおける監督によって導かれることが多い。 これらの制限は重要な疑問を提起する: 異質な近隣情報を新しい階級の監督なしにカテゴリ発見に効果的に活用するにはどうすればいいのか? そこで本研究では,HeteGCDを提案する。これは異種グラフ上の一般化されたカテゴリ発見のための,統計的に認識された新しい二元型学習の視点である。 鍵となる考え方は、特徴量と確率空間における識別情報を同時に抽出するために、局所的属性差の統計と近傍クラス分布の両方を調べることである。 具体的には、ゲート型デュアルストリームエンコーダは、ノード属性とローカル属性差分統計の両方を統合して、情報的ノード表現を学習する。 その後、デュアルプロトタイプ分類器は、特徴に基づく類似性と分布に基づく一貫性を組み合わせ、カテゴリ発見をサポートする。 5つのヘテロ親和性グラフの実験により、HeteGCDは24のベースラインの組み合わせと競合する性能を示した。

関連論文リスト

• Adaptive Heterogeneous Graph Neural Networks: Bridging Heterophily and Heterogeneity [20.67252453378065]
  不均一グラフ(HGs)は実世界のシナリオで一般的であり、しばしば不均一性を示す。 本稿では,これらの課題に対処するための適応不均一グラフニューラルネットワーク(AHGNN)を提案する。 AHGNNはホップとメタパスの両方に特有のヘテロフィリー分布を考慮に入れたヘテロフィリー認識の畳み込みを採用している。
  論文  参考訳（メタデータ） (2025-08-08T05:39:58Z)
• When Heterophily Meets Heterogeneous Graphs: Latent Graphs Guided Unsupervised Representation Learning [6.2167203720326025]
  非教師付きヘテロジニアスグラフ表現学習(UHGRL)は,ラベルのない実用的なグラフを扱うことの重要性から注目されている。 我々はセマンティックなヘテロフィリーを定義し、この問題に対処するためにLatGRL(Latent Graphs Guided Unsupervised Representation Learning)と呼ばれる革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-01T10:25:06Z)
• 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)
• 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)
• Generalized Categories Discovery for Long-tailed Recognition [8.69033435074757]
  一般化されたクラスディスカバリは、既知のカテゴリと未知のカテゴリの両方をラベルのないデータセットから識別する上で重要な役割を果たす。 我々の研究は、長い尾の一般カテゴリー発見(Long-tailed GCD)パラダイムに焦点をあてて、この断線を橋渡ししようと試みています。 長い尾を持つGCDがもたらす特異な課題に対応するため、2つの戦略正則化に固定された頑健な方法論を提案する。
  論文  参考訳（メタデータ） (2023-12-04T09:21:30Z)
• Dynamic Conceptional Contrastive Learning for Generalized Category Discovery [76.82327473338734]
  Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。 ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。 GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。 本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T14:04:39Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Dual Hierarchical Attention Networks for Bi-typed Heterogeneous Graph Learning [34.85013577914531]
  二型不均一グラフ上の包括的ノード表現を学習するための新しいDHAN(Dual Hierarchical Attention Networks)を提案する。 具体的には、クラス内の注意は、同じタイプの隣人からノード表現を学習することを目的としており、クラス間の注意は、異なるタイプの隣人からノード表現を集約することができる。
  論文  参考訳（メタデータ） (2021-12-24T14:52:26Z)

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。