Adaptive Reconstruction for Graph Neural Networks

要約

グラフニューラルネットワーク（GNNS）は、グラフ表現の半監視学習において基本的になり、複雑なノード関係をキャプチャする能力を活用しています。
GNN Researchの最近の傾向は、\ TextBF {Adaptive K-Hop構造学習}に焦点を当てており、固定ホップ集約を超えてより柔軟で動的な近隣選択に移行しています。
GAMLP \ Cite {Zhang_2022}は、各K-HOPドメインに個別のMLPレイヤーを採用し、コンテキスト化されたサブ構造情報を注入することにより、これを強化することにより、これらの方法を依然として依存していることに大きく依存しています。
安定した精度を維持します。
これらの制限に対処するために、K-HOP構造の学習を動的に洗練する\ textBF {Adaptive Reconstruction Framework}を提案します。
「CoreSet Selection」\ Cite {Guo2022DeepCore}に触発されたアプローチは、適応的に\ textBf {再構成}ノード近傍を再構成してメッセージの通過を最適化し、グラフ全体でより多くの\ textBf {効果的およびコンテキスト対応の情報フロー}を保証します。
構造の堅牢性をさらに強化するために、2つの重要なモジュールを紹介します：\ textbf {distance Recomputator}と\ textbf {Topology Reconstructor}（\ textcolor {blue} {drtr}）。
距離recomputator \ textBf {再評価および再編成}ノード距離は、適応グラフプロパティに基づいて距離を伸ばし、潜在的な関係をよりよく反映する\ textBF {改善されたノード埋め込み}につながります。
一方、トポロジー再構成\ textBf {ローカルグラフ構造を動的に洗練します}。モデルを\ textBf（進化するグラフトポロジに適応}にし、ノイズと誤ったデータの影響を軽減します。
経験的評価は、\ textBF {Adaptive Reconstruction Framework}が既存のK-HOPベースのモデルよりも\ TextBF {大幅な改善}を達成し、さまざまなグラフ学習ベンチマークでより多くの\ TextBF {安定した正確}パフォーマンスを提供することを示しています。

要約(オリジナル)

Graph Neural Networks (GNNs) have become fundamental in semi-supervised learning for graph representation, leveraging their ability to capture complex node relationships. A recent trend in GNN research focuses on \textbf{adaptive k-hop structure learning}, moving beyond fixed-hop aggregation to more flexible and dynamic neighborhood selection. While GAMLP \cite{Zhang_2022} employs separate MLP layers for each k-hop domain and ImprovingTE \cite{Yao2023ImprovingTE} enhances this by injecting contextualized substructure information, these methods still rely heavily on predefined sampling strategies, which may limit their ability to generalize and maintain stable accuracy. To address these limitations, we propose an \textbf{adaptive reconstruction framework} that dynamically refines k-hop structure learning. Inspired by ‘coreset selection’ \cite{guo2022deepcore}, our approach adaptively \textbf{reconstructs} node neighborhoods to optimize message passing, ensuring more \textbf{effective and context-aware information flow} across the graph. To further enhance structural robustness, we introduce two key modules: the \textbf{Distance Recomputator} and the \textbf{Topology Reconstructor} (\textcolor{blue}{DRTR}). The Distance Recomputator \textbf{reassesses and recalibrates} node distances based on adaptive graph properties, leading to \textbf{improved node embeddings} that better reflect latent relationships. Meanwhile, the Topology Reconstructor \textbf{dynamically refines local graph structures}, enabling the model to \textbf{adapt to evolving graph topologies} and mitigate the impact of noise and mislabeled data. Empirical evaluations demonstrate that our \textbf{adaptive reconstruction framework} achieves \textbf{significant improvements} over existing k-hop-based models, providing more \textbf{stable and accurate} performance in various graph learning benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google