MARC

 008250123s2024        us                              c    eng  d
■001000017164575
■00520250211153018
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384046165
■035    ▼a(MiAaPQ)AAI31631558
■035    ▼a(MiAaPQ)umichrackham005704
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aZhu,  Jiong.
■24510▼aAdvancing  Graph  Neural  Networks  for  Complex  Data:  A  Perspective  Beyond  Homophily
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a257  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Koutra,  Danai.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aGraph  Neural  Networks  (GNNs)  have  demonstrated  significant  potential  in  extending  the  empirical  success  of  deep  learning  from  Euclidean  spaces  to  non-Euclidean,  graph-structured  data.  These  models  operate  on  versatile  relational  networks  to  extract  meaningful  representations,  enabling  a  wide  range  of  downstream  applications  such  as  friend  recommendations,  fraud  detection,  and  bioinformatics.  A  key  principle  underlying  many  real-world  networks-and  often  implicitly  leveraged  by  GNN  models-is  homophily,  whereby  linked  nodes  often  belong  to  the  same  class  or  have  similar  features  ("birds  of  a  feather  flock  together").  However,  real-world  settings  where  "opposites  attract"  also  exist,  resulting  in  networks  characterized  by  heterophily,  where  linked  nodes  are  likely  from  different  classes  or  possess  dissimilar  features.  How  do  GNNs  perform  in  settings  where  the  homophily  is  weak?  Is  the  reduced  accuracy  of  GNNs  under  heterophily  related  to  their  limitations  in  other  performance  aspects  such  as  robustness,  fairness,  and  scalability?  This  dissertation  aims  to  push  forward  the  state-of-the-art  in  GNNs  by  addressing  these  questions.  In  Part  I,  I  focus  on  understanding  and  improving  GNN  accuracy  beyond  homophily.  I  first  examine  the  limitations  of  existing  GNN  models  under  heterophily  for  semi-supervised  node  classification  tasks,  introducing  key  design  strategies  and  new  methods  that  significantly  enhance  learning  from  the  graph  structure  on  such  datasets.  Furthermore,  I  extend  this  analysis  to  link  prediction  tasks  by  formalizing  the  definitions  of  non-homophilic  link  prediction  based  on  feature  similarity,  analyzing  how  different  link  prediction  encoders  and  decoders  adapt  to  varying  levels  of  feature  similarity,  and  introducing  designs  for  improved  performance.  In  Part  II,  I  explore  the  implications  of  heterophily  on  other  critical  GNN  research  objectives  beyond  accuracy,  including  adversarial  robustness,  algorithmic  fairness,  and  distributed  scalability.  My  findings  reveal  that  addressing  heterophily  not  only  enhances  GNN  accuracy  but  also  improves  their  robustness  and  fairness,  making  them  more  suitable  for  deployment  in  complex  real-world  applications.  Additionally,  I  show  that  heterophily  is  key  to  streamlining  distributed  training  of  GNNs  on  massive  graphs,  reducing  communication  overhead  and  improving  efficiency  and  scalability.  Overall,  this  dissertation  advances  the  field  of  GNNs  by  moving  beyond  homophily,  offering  new  insights  and  methodologies  for  handling  heterophilous  graph  datasets,  and  demonstrating  the  broader  benefits  of  these  advancements  in  terms  of  robustness,  fairness,  and  scalability.
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aInformation  technology
■653    ▼aGraph  Neural  Networks
■653    ▼aHeterophily
■653    ▼aMachine  learning
■653    ▼aData  mining
■653    ▼aHomophily
■690    ▼a0984
■690    ▼a0800
■690    ▼a0489
■690    ▼a0464
■71020▼aUniversity  of  Michigan▼bComputer  Science  &  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164575▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서