多路异构图卷积网络
提出了一种基于关系聚合和卷积 (PC-HGN) 的异构图神经网络模型,它可以进行关系特定的采样和跨关系卷积,从而更好地将图的结构异质性编码到嵌入空间中,与其他现有的图学习模型相比,其性能得到了最大 17.8%的提升。
Oct, 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
本文提出了一种异构图卷积网络建模方法 HeteGCN,结合了 predictive text embedding (PTE) 和 TextGCN 的优点用于文本分类,以解决现有方法预测能力、可扩展性和归纳能力的局限性。通过使用不同的图层在一个 HeteGCN 架构中学习特征嵌入并派生文档嵌入,将 TextGCN 简化为几个 HeteGCN 模型,从而简化了模型参数,以提高性能和训练速度。实验结果表明所提出的方法在小的标注训练集方案下有效。
Aug, 2020
本文提出了一种无监督的 Dual HyperGraph Convolutional Network (DualHGCN) 模型,通过将多重二分网络转化为两组同质超图,并使用谱超图卷积算子以及内部和跨域间的信息传递策略来学习有效的节点嵌入,对四个真实数据集进行基准测试,展示了 DualHGCN 显著优于现有最先进方法,并且对不同的稀疏水平和不平衡节点分布具有鲁棒性。
Feb, 2021
本研究提出了 CompGCN,一种新的图卷积框架,可同时嵌入节点和关系,解决了处理多关系图的过度参数化问题,广义了现有的多关系 GCN 方法,取得了节点分类、链接预测和图分类等多个任务的显着优异结果。
Nov, 2019
提出了一种新的叫做元路径聚合图神经网络(MAGNN)的模型来解决异构图嵌入中节点内容特征、中间节点和元路径的问题,并在三个真实异构图数据集上进行了实验,证明了 MAGNN 比现有基线模型具有更准确的预测结果。
Feb, 2020
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
本文提出了一种名为 Dis-HGCN 的解缰离散超几何异构图卷积网络,旨在通过独立的信息传播来解缰语义特征和结构特征,以及通过超几何结构拉近数据分布和表示空间的差距,并在诸多真实世界异构图数据集上进行验证,结果证明其在超几何空间中解缰和表示异构图数据的有效性。
Jun, 2024
本研究提出了一种新的深层分层图卷积网络 (H-GCN),通过聚合结构相似的节点形成超节点,然后再将粗化的图细化到原始图以恢复每个节点的表达,从而扩大每个节点的感受野,能够获取更多的全局信息,并在各种公共基准测试图数据集上表现出强大的实证性能。
Feb, 2019