Clarify Confused Nodes via Separated Learning

要約

グラフ・ニューラル・ネットワーク（GNN）は、グラフ指向のタスクにおいて目覚ましい進歩を遂げてきた。しかし、実世界のグラフには必ずある割合の異質なノードが含まれており、従来のGNNの同類性の仮定に挑戦し、その性能を妨げている。既存の研究の多くは、異質なノードと同質なノードの間で重みを共有する一般的なモデルを設計し続けている。高次メッセージやマルチチャネルアーキテクチャを組み込んでいるにもかかわらず、これらの努力はしばしば不十分である。少数派の研究では、異なるノードグループを別々に訓練することを試みているが、不適切な分離指標と低い効率性に悩まされている。本論文ではまず、より信頼性の高いノード分離を促進するために、Neighborhood Confusion (NC)と呼ばれる新しいメトリックを提案する。NC値のレベルが異なるノードグループは、グループ内の精度と可視化された埋め込みにおいて一定の違いを示すことを観察する。これらは、NC値によってノードをグループ化し、グループ内重み共有とメッセージパッシングを受け入れる、Neighborhood Confusion-guided Graph Convolutional Network (NCGCN)への道を開く。ホモフィラスとヘテロフィラスの両方のベンチマークを用いた広範な実験により、我々のフレームワークが効果的にノードを分離し、最新の手法と比較して大幅な性能向上をもたらすことが実証された。ソースコードはhttps://github.com/GISec-Team/NCGNN。

要約(オリジナル)

Graph neural networks (GNNs) have achieved remarkable advances in graph-oriented tasks. However, real-world graphs invariably contain a certain proportion of heterophilous nodes, challenging the homophily assumption of traditional GNNs and hindering their performance. Most existing studies continue to design generic models with shared weights between heterophilous and homophilous nodes. Despite the incorporation of high-order messages or multi-channel architectures, these efforts often fall short. A minority of studies attempt to train different node groups separately but suffer from inappropriate separation metrics and low efficiency. In this paper, we first propose a new metric, termed Neighborhood Confusion (NC), to facilitate a more reliable separation of nodes. We observe that node groups with different levels of NC values exhibit certain differences in intra-group accuracy and visualized embeddings. These pave the way for Neighborhood Confusion-guided Graph Convolutional Network (NCGCN), in which nodes are grouped by their NC values and accept intra-group weight sharing and message passing. Extensive experiments on both homophilous and heterophilous benchmarks demonstrate that our framework can effectively separate nodes and yield significant performance improvement compared to the latest methods. The source code will be available in https://github.com/GISec-Team/NCGNN.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL