抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
グラフニューラルネットワーク(GNN)は,しばしばグラフ分類のために強いホモフィリィを仮定し,ヘテロフィリィをほとんど考慮せず,連結ノードが異なるクラスラベルと異なる特徴を持つ傾向があることを意味する。実世界のシナリオでは,グラフはホモフィリとヘテロフィリの両方を示すノードを持つ。この設定への一般化の失敗は,多くのGNNをグラフ分類において不完全にする。本論文では,3つの効果的な設計を同定し,IHGNN(Graph Neural NetworksにHeterophilyを組み込むための短い)と呼ばれる新しいGNNアーキテクチャを開発することにより,この制限に対処した。これらの設計には,ノードのエゴおよび近傍埋込みの統合および分離,異なる層からのノード埋込みの適応集約,およびグラフレベル読出し関数を構築するための異なるノード埋込み間の差別化の組合せが含まれている。様々なグラフデータセット上でIHGNNを経験的に検証し,それがグラフ分類に対する最先端のGNNよりも性能的に優れていることを示した。【JST機械翻訳】