Concetti Chiave
提案するES-GNNフレームワークは、ノード間の接続が学習タスクに関連するか否かを自動的に判別し、関連情報と非関連情報を分離することで、ホモフィリーとヘテロフィリーの両方のグラフに対して優れた性能を発揮する。
Sintesi
本論文では、ホモフィリーとヘテロフィリーの両方のグラフに対して優れた性能を発揮するES-GNNフレームワークを提案している。
まず、従来のグラフニューラルネットワーク(GNN)は、ノード間の類似性に基づいて情報を伝播させるため、ホモフィリックなグラフでは良好な性能を示すが、ヘテロフィリックなグラフでは性能が低下する問題がある。
そこで、ES-GNNでは、ノード間の接続が学習タスクに関連するか否かを自動的に判別し、関連情報と非関連情報を分離することで、ホモフィリーとヘテロフィリーの両方のグラフに対して優れた性能を発揮する。具体的には、以下の手順で行う:
ノード特徴量を「タスク関連」と「タスク非関連」の2つのチャンネルに分離する。
元のグラフを「タスク関連」と「タスク非関連」の2つのサブグラフに分割する。
各サブグラフ上で情報を伝播させ、ノード表現を学習する。
タスク関連の表現を用いて最終的な予測を行う。
タスク非関連の表現に対して一貫性の正則化を行い、タスク有害な情報を排除する。
理論的には、提案手法はグラフ信号のディスエンタングルド除去問題の解として解釈できることを示し、ホモフィリーとヘテロフィリーの両方のグラフに対して良好な一般化性能を発揮することを説明している。
実験的にも、11のベンチマークデータセットと1つの合成データセットで、提案手法が既存手法に比べて平均5.8%の誤差削減を達成し、さらにアドバーサリアルグラフに対する頑健性も示している。
Statistiche
ホモフィリー比が0.81のCora引用ネットワークでは、従来のグラフ信号除去問題(式(5.1))が提案手法の一般化問題(式(5.2))の良い近似となる。
実験的に、提案手法はベンチマークデータセットで平均5.8%の誤差削減を達成した。
Citazioni
"ノード間の接続が主に、学習タスクに関連するか否かの特徴の類似性に基づいて行われる"
"提案手法は、グラフ信号のディスエンタングルド除去問題の解として解釈できる"