Oct, 2022

元节点：有效学习异构图中复杂关系的简明方法

PDF
TL;DR本文介绍一种新型概念 ——meta-node，在异构图的消息传递中用于学习富关系型知识，避免了提前配置 meta-paths 和 meta-graphs，并将该方法应用于对比学习模型中，实验表明 meta-node 方法在节点聚类和分类任务中，优于依赖于 meta-paths 的现有技术。
发现论文，激发创造
  • 多关系图神经网络的元路径学习

    在这项工作中，我们提出了一种新的方法来学习元路径和元路径图神经网络，通过少量信息丰富的元路径来提高准确性，在增量构建元路径的过程中使用评分函数来衡量关系的潜在信息量。实验评估表明，该方法即使在存在大量关系的情况下，也能正确识别相关的元路径，并在综合和真实世界实验中显著优于现有的多关系图神经网络。

    Sep, 2023

  • 利用元路径进行异构图自监督辅助学习

    本文提出了一种基于元路径的自监督辅助学习方法来学习异构图上的图神经网络，通过预测元路径作为辅助任务来进行主任务的学习，可以自动平衡辅助任务的有效组合以提高主任务性能，实验证明该方法可以在异构图上改进链接预测和节点分类的性能。

    Jul, 2020

  • 元元多图搜索：重新思考异构信息网络上的元结构

    该论文提出了一种新的元结构 meta-multigraph，通过可微分的搜索方法自动优化特定 HINs 和任务的 meta-multigraph，并引入了一个从详细到简洁的 C2C meta-multigraph，用于从各种 HINs 中传播信息，以实现节点分类和推荐等任务。

    Apr, 2023

  • 元传播网络用于图少样本半监督学习

    本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。

    Dec, 2021

  • 多模态知识图谱的端到端学习

    我们提出了一种多模态的消息传递网络，不仅能够从图的结构中学习端到端信息，还能从其中多样的多模态节点特征中学习，包括数字、文本、日期、图像和几何形状，通过在一个联合表示空间中投影到它们的关系信息。通过在人工和真实数据集上进行节点分类和链接预测的实验，我们发现任意知识图的端到端多模态学习是可能的，并且包含多模态信息可以显著影响性能，但这很大程度上取决于数据的特征。

    Sep, 2023

  • 规模化的双曲图神经网络：一种元学习方法

    本文介绍了一种名为超曲线图元学习器（H-GRAM）的新方法，通过从节点的局部子图中学习可传递的归纳偏见和集合超曲线元梯度，实现在处理不相关子图的查询任务上进行更快的学习，并展示了其在多种挑战性的少样本设置中学习和传递信息的有效性，并且相较于传统的欧几里得方法，在大型图数据集上能够更好地提高性能。

    Oct, 2023

  • MetaGraph2Vec： 复杂语义路径增强异构网络嵌入

    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

  • 超图多层感知机：无需消息传递的超图学习

    通过将关于超图结构的信息整合到训练监督中，我们提出了一种新的学习框架 Hypergraph-MLP，它使用基于超图信号平滑性的损失函数来监督简单的 MLP 模型，在超图节点分类任务中表现出与现有基线相比具有竞争力的性能，并且在推理时更快且更稳健对结构扰动。

    Dec, 2023

  • 多模态知识图谱上端到端的实体分类

    提出了一种多模态消息传递网络，在结构化的知识图谱中处理来自多种标记类型的节点特征，以提高节点分类任务的性能。

    Mar, 2020

  • 异质信息网络上的可微元多重图搜索与部分消息传递

    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