Joint Graph Rewiring and Feature Denoising via Spectral Resonance

要約

グラフデータから学習するとき、グラフとノードは両方ともノードラベルに関する騒々しい情報を提供します。
この論文では、機能を共同で除去し、グラフ（JDR）を再配線するアルゴリズムを提案します。これにより、下流ノード分類グラフニューラルネット（GNN）のパフォーマンスが向上します。
JDRは、グラフと機能のマトリックスの主要なスペクトル空間を調整することにより機能します。
それは、複数のクラスと異なるレベルの同性愛または異種のグラフを処理する方法で、関連する非凸最適化問題をほぼ解決します。
理論的には、様式化された設定でJDRを正当化し、幅広い合成および実世界のノード分類タスクで既存の再配線方法を常に上回ることを示しています。

要約(オリジナル)

When learning from graph data, the graph and the node features both give noisy information about the node labels. In this paper we propose an algorithm to jointly denoise the features and rewire the graph (JDR), which improves the performance of downstream node classification graph neural nets (GNNs). JDR works by aligning the leading spectral spaces of graph and feature matrices. It approximately solves the associated non-convex optimization problem in a way that handles graphs with multiple classes and different levels of homophily or heterophily. We theoretically justify JDR in a stylized setting and show that it consistently outperforms existing rewiring methods on a wide range of synthetic and real-world node classification tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google