| Item type |
Trans(1) |
| 公開日 |
2026-01-26 |
| タイトル |
|
|
言語 |
ja |
|
タイトル |
ヘテロフィリーなグラフに対する高次のラベル間の接続傾向を活用したグラフ深層学習 |
| タイトル |
|
|
言語 |
en |
|
タイトル |
Graph Neural Network Leveraging Higher-order Class Label Connectivity for Heterophilous Graphs |
| 言語 |
|
|
言語 |
jpn |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
[研究論文（推薦論文）] グラフ深層学習，ノード分類，ヘテロフィリー |
| 資源タイプ |
|
|
資源タイプ識別子 |
http://purl.org/coar/resource_type/c_6501 |
|
資源タイプ |
journal article |
| 著者所属 |
|
|
|
大阪大学 |
| 著者所属 |
|
|
|
大阪大学 |
| 著者所属 |
|
|
|
大阪大学 |
| 著者所属 |
|
|
|
大阪大学 |
| 著者所属 |
|
|
|
大阪大学 |
| 著者所属 |
|
|
|
大阪大学 |
| 著者所属(英) |
|
|
|
en |
|
|
The University of Osaka |
| 著者所属(英) |
|
|
|
en |
|
|
The University of Osaka |
| 著者所属(英) |
|
|
|
en |
|
|
The University of Osaka |
| 著者所属(英) |
|
|
|
en |
|
|
The University of Osaka |
| 著者所属(英) |
|
|
|
en |
|
|
The University of Osaka |
| 著者所属(英) |
|
|
|
en |
|
|
The University of Osaka |
| 著者名 |
高橋,拓豊
中山,樹
三谷,貴宏
菊地,良将
佐々木,勇和
鬼塚,真
|
| 著者名(英) |
Takuto Takahashi
Ituski Nakayama
Takahiro Mitani
Ryosuke Kikuchi
Yuya Sasaki
Makoto Onizuka
|
| 論文抄録 |
|
|
内容記述タイプ |
Other |
|
内容記述 |
グラフ深層学習（GNN）におけるノード分類はグラフ分析の様々な分野で広く応用されている．GNNは同じクラスラベルを持つノードどうしが接続されやすいという特徴を持つホモフィリーなグラフにおいて高精度なノード分類を達成している．一方で，異なるクラスラベルを持つノードどうしが接続されやすいという特徴を持つヘテロフィリーなグラフに対しての効果は限定的である．さらに，現在のグラフ畳込みネットワークから派生したGNNは，ヘテロフィリーなグラフで頻繁に観測される高次のラベル間の接続傾向をとらえる能力を有していない．この問題に対処するため，我々は有向グラフにおける高次のラベル間の接続傾向をとらえるように設計した新たなノード分類器，Label Context Classifier（LCC）を提案する．LCCは4種類のウォークから作成されるラベルコンテキスト埋め込みを活用することで，ターゲットノードのクラスラベルを推定する．さらに，LCCと任意のGNNの重要度を適応的に学習し，2つのモデルの統合を可能にする．実験では，LCCと統合したGNNが既存手法のノード分類精度を上回り，ラベルコンテキスト埋め込みがヘテロフィリーな有向グラフにおけるノード分類性能を向上させることを示した． |
| 論文抄録(英) |
|
|
内容記述タイプ |
Other |
|
内容記述 |
Node classification in graph neural networks (GNNs) has been widely applied in various fields of graph analysis. GNNs achieve high-accuracy node classification in homophilous graphs, where nodes with the same class label tend to be connected. However, their performance remains limited in heterophilous graphs, where nodes with different class labels are more likely to be connected. In particular, current GNNs derived from graph convolutional networks cannot capture higher-order class label connectivity, which is frequently observed in real-world heterophilous graphs. To address this issue, we propose a novel classifier, Label Context Classifier (LCC), designed to capture higher-order class label connectivity in directed graphs. LCC estimates the class label of a target node by leveraging label context embeddings that are generated through four distinct types of walks. In addition, our approach allows the integration of LCC and any GNN by adaptively learning their importance. Experimental results demonstrate that GNNs integrated with LCC outperform SOTA methods and the label context embeddings improve the node classification performance in heterophilous directed graphs. |
| 書誌レコードID |
|
|
収録物識別子タイプ |
NCID |
|
収録物識別子 |
AA11464847 |
| 書誌情報 |
情報処理学会論文誌データベース（TOD）
巻 19,
号 1,
p. 133-145,
発行日 2026-01-26
|
| ISSN |
|
|
収録物識別子タイプ |
ISSN |
|
収録物識別子 |
1882-7799 |
| 出版者 |
|
|
言語 |
ja |
|
出版者 |
情報処理学会 |
IPSJ-TOD1901014.pdf (1.2 MB)
