Clarify Confused Nodes Through 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ました。
ただし、現実世界のグラフには常に一定割合の異好性ノードが含まれており、古典的な GNN の同質性の仮定に疑問を呈し、そのパフォーマンスを妨げます。
既存の研究のほとんどは、異種性ノードと同種性ノード間で重みを共有する一般的なモデルを設計し続けています。
高次のメッセージやマルチチャネル アーキテクチャが組み込まれているにもかかわらず、これらの取り組みでは不十分なことがよくあります。
少数の研究では、異なるノード グループを個別にトレーニングしようとしていますが、不適切な分離メトリクスと低い効率に悩まされています。
この論文では、まず、ノードのより信頼性の高い分離を容易にするために、近隣混同 (NC) と呼ばれる新しいメトリックを提案します。
異なるレベルの NC 値を持つノード グループは、グループ内精度と視覚化された埋め込みに一定の違いを示すことが観察されます。
これらは、ノードが NC 値によってグループ化され、グループ内の重み共有とメッセージ パッシングを受け入れる、近傍混同誘導グラフ畳み込みネットワーク (NCGCN) への道を開きます。
同種性と異種性の両方のベンチマークに関する広範な実験により、私たちのフレームワークが効果的にノードを分離でき、最新の方法と比較して大幅なパフォーマンス向上が得られることが実証されました。
ソースコードは近日公開される予定です。

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 classical 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 released soon.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google