ヘテロフィリー下での堅牢なグラフ構造学習

Conceitos Básicos

異なるクラスからの接続ノードを考慮した高品質グラフの学習手法が重要である。

Resumo

異種データにおける高品質グラフ構造学習の提案。ハイパスフィルターを適用して隣接ノードとの差異を増加させ、適応的な正規化により堅牢なグラフを学習。新しい正則化子を導入し、クラスタリングと半教師付き分類実験で効果を確認。既存手法と比較して優れた性能を示す。

Estatísticas

ハイパスフィルターは5回適用されました。
α-normは0.01から100までの値が使用されました。
βは100に設定されました。

Citações

"Graph filtering produces a more discriminative representation by encoding the topology structure information into features."
"Our method surpasses current deep neural network methodologies."
"RGSL significantly dominates the baselines DAEGC and MSGA."

Principais Insights Extraídos De

Robust Graph Structure Learning under Heterophily

by Xuanting Xie... às arxiv.org 03-07-2024

https://arxiv.org/pdf/2403.03659.pdf

Perguntas Mais Profundas

異種データにおけるグラフ構造学習の重要性は何ですか？

異種データにおけるグラフ構造学習の重要性は、実世界のデータがしばしばノイズや希薄性を持つため、正確なグラフ表現が不可欠であるという点にあります。従来の深層学習手法は同質的なグラフを前提としていましたが、異種データでは異なるクラス間で接続されたノードが多く存在し、このような特性を適切に扱うことが求められます。異種データから高品質なグラフを学習することで、ノイズや希薄性への対処や効果的な情報抽出が可能となります。