该论文提出了一种基于超图卷积网络的新型框架 HNHN 来进行超图表示学习,其中包括非线性激活函数和灵活的归一化方案,实验结果表明与现有方法相比,在真实世界数据集上表现更好,具有更高的分类精度和速度。
Jun, 2020
为优化基于超图的数据表示学习中的超图结构,我们提出一种名为 DeepHGSL 的深度学习超图结构学习的通用范式,并引入信息瓶颈原理来构建损失函数,以减少超图结构中的噪声信息,从而提取更加鲁棒的特征表达,在四个基准数据集上的实验结果表明了模型的有效性和鲁棒性。
Aug, 2022
提出了一种基于张量的高阶超图神经网络模型,它利用高阶外积特征传递实现了对高阶信息的有效提取,并通过部分对称 CP 分解方法降低了模型复杂度;在两个三维视觉对象分类数据集上进行的实验结果表明了其性能优越性。
Jun, 2023
本文提出了一种使用自监督对比学习技术、适应性超图视图生成器以及改进的超图编码器的对比式超图神经网络(CHGNN),用于从已标记数据和未标记数据中学习,实验结果表明 CHGNN 在分类准确率方面优于 13 个竞争对手。
Mar, 2023
本论文通过对异构图神经网络(HGNN)中注意力机制、多层结构进行深入研究,提出了 Simple and Efficient Heterogeneous Graph Neural Network(SeHGNN),该方法采用轻量级平均聚合器预先计算邻居聚合以捕获结构信息,采用长元路径和 Transformer 语义融合模块来更好地利用语义信息,结果表明 SeHGNN 具有简单的网络结构、高预测准确性和快速的训练速度。
Jul, 2022
我们提出了一种名为 HeIHNN 的超边交互感知超图神经网络,旨在捕捉超边之间的相互作用,并引入了一种新的机制来增强超边和节点之间的信息流动。经过广泛的实验,在真实世界的数据集上,HeIHNN 相比现有方法表现出具有竞争力的性能。
Jan, 2024
本文介绍了一种新的框架,Blend&Grind-HGNN(BG-HGNN),该框架有效地解决了现有 HGNN 在处理不同关系类型复杂异构图时所面临的问题,其通过将不同关系融合到一个统一的特征空间中,在参数可管理的单一参数集的帮助下,得到了一个更高效、更有效地从异构图中学习的 HGNN 方法。实证研究表明,BG-HGNN 在参数效率(高达 28.96 倍)、训练吞吐量(高达 8.12 倍)和准确性(高达 1.07 倍)方面显著超过了现有的 HGNN。
Mar, 2024
该研究提出了一种新的双超图神经网络 (DualHGNN) 模型,它同时整合了超图结构学习和超图表示学习,通过利用多视图超图学习网络探索多个视角下的最优超图结构,并利用密度感知超图注意网络来探索基于密度感知机制的高阶语义相关性。在各种基准数据集上进行了广泛实验,并证明了该方法的有效性。
本文提出了 UniGNN 框架,使得现有的图神经网络能够直接应用于超图,并证明了该框架比传统算法更有效地处理超图数据。
May, 2021
提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架,通过生成 hierarchical structure,并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm,实现了对长程信息的高效访问,从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。
Sep, 2020