MAGNN: 面向异质图嵌入的元路径聚合图神经网络
本文提出了一种新的框架,名为 HAGNN(Hybrid Aggregation for Heterogeneous GNNs),可以同时利用元路径邻居和直接相连邻居进行节点聚合来充分利用异构图中的异质性,通过在自身内部对齐和外部对齐两个阶段分别聚合结构语义信息和类型语义信息,获得了优于现有异构 GNN 模型的效果。
Jul, 2023
本文提出一种新的多元化方法 ——Metagraph,用于网络嵌入学习中捕捉不同节点之间更丰富的结构和语义上下文信息,从而在处理非常稀疏的异构信息网络时提高了 MetaPath 嵌入技术的能力,并实验证明 MetaGraph2Vec 算法能够优于各项异质网络挖掘任务中的现有技术。
Mar, 2018
本研究提出了一种多重异构图卷积网络(Multiplex Heterogeneous Graph Convolutional Network,MHGCN),可以通过多层卷积聚合自动学习多重异构网络中不同长度的有用异构元路径交互,并有效地将多关系结构信号和属性语义集成到有监督和半监督学习范式中的学习节点嵌入中,实验证明其在各种网络分析任务中显著优于现有的嵌入基线。
Aug, 2022
我们提出了一个新的模型无关的图神经网络(MaGNet)框架,能够顺序地集成不同顺序的信息,从高阶邻居中提取知识,并通过识别有影响力的紧凑图结构来提供有意义、可解释的结果。理论上,我们通过经验 Rademacher 复杂性建立了 MaGNet 的泛化误差界,并展示了它在表示逐层邻域混合方面的能力。使用模拟数据进行了全面的数值研究,证明了 MaGNet 相对于几种最先进的替代方法的卓越性能。此外,我们将 MaGNet 应用于一个从脑活动数据中提取关键信息的实际案例研究,从而突显了它在推动科学研究方面的有效性。
Sep, 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
本篇论文主要介绍了一种基于 AMOGCN 的异构图神经网络,该方法可以学习具有区分度的节点嵌入和关系,并能够自动地构建元路径来影响嵌入的质量,从而提高半监督分类性能。
Apr, 2023
该论文提出了一种基于分层注意力机制的异构图神经网络,包括节点层次和语义层次的注意力机制,通过从元路径邻居中汇总特征来生成节点嵌入,其在三个真实的异构图上表现出优越性能且有助于图分析。
Mar, 2019
本文介绍了一个名为 Meta Weight Graph Neural Network 的模型,该模型可以自适应地构建不同节点的图卷积层来提高图神经网络的表达能力,其通过使用元权重模型来生成自适应图卷积来提高节点表示,并在真实和合成基准测试中进行了广泛的实验证明了其在处理具有不同分布的图数据方面具有出色的表现。
Mar, 2022
本文提出了 HetTree,一种新颖的异构树图神经网络,以一种可扩展且有效的方式对图结构和异构性进行建模,通过构建一个语义树数据结构来捕捉元路径之间的层次关系,使用子树注意机制强调更有助于编码父子关系的元路径,并通过匹配相应的元路径仔细处理节点特征和标签,从而提供了更准确和丰富的信息
Feb, 2024
本文提出了一种名为部分信息元多图搜索(PMMM)的新方法,用于自动优化 HIN 上的神经结构设计,其采用可微分方法搜索有意义的元多图,以捕获比元图更灵活和复杂的语义关系,并证明其优于现有作品和是稳定的算法。
Nov, 2022