Nov, 2022

RHCO: 一种关系感知的异构图神经网络，配合对比学习用于大规模图

PDF
TL;DR本文提出了一种新的基于对比学习的关系感知异构图神经网络 RHCO，用于大规模异构图表示学习，相对于传统的异构图神经网络，可以更好地处理复杂异构网络结构，并采用标签平滑技术提高了性能，实验证明在三个大规模学术异构图数据集上 RHCO 取得了最好的性能表现。
heterogeneous graph neural networksrelation-aware heterogeneous graph neural network with contrastive learninglarge-scale heterogeneous graph representation learningcontrastive learning mechanismlabel smoothing technique
发现论文，激发创造
  • 分层对比学习增强异质图神经网络

    本文研究如何利用对比学习增强异构图神经网络的自我监督学习，提出了一种名为 HeCo 的新型协同对比学习机制，该机制使用交叉视图对比学习方法，学习节点嵌入以捕捉局部和高阶结构，并提出两种方法来生成更难的负样本以提高性能。最终获得包含不变因素和视图特定因素的高级节点嵌入。

    Apr, 2023

  • 自监督异质图神经网络与协同对比学习

    本文研究了自监督的异构图神经网络，并提出了一种名为 HeCo 的新型协同对比学习机制，用于异构信息网络的节点嵌入学习，该方法利用两个视图提取两种嵌入，确保两个视图之间相互监督，学习高级节点嵌入，并使用两种 HeCo 扩展生成更难的高质量负样本，提高了性能。

    May, 2021

  • 生成对比异构图神经网络

    通过利用自监督学习，我们提出了一种新颖的生成对比异构图神经网络 (GC-HGNN)，并且在结点分类和链接预测任务中显著超越最新的对比和生成基线模型。

    Apr, 2024

  • 面向异构图学习网络的关系中心化池化和卷积方法

    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

  • HRGCN：基于层次关系增强图神经网络的异构图层级异常检测

    这项研究考虑了异构图层次异常检测的问题，提出了 HRGCN，一种无监督的深度异构图神经网络，用于有效地识别系统中的异常行为图。在两个真实应用数据集上的广泛评估表明，HRGCN 优于目前最先进的竞争性异常检测方法。进一步展示了一个实际工业案例研究，以证明 HRGCN 在检测移动通信服务中的异常（如拥塞）网络设备方面的有效性。

    Aug, 2023

  • BG-HGNN: 面向可扩展和高效的异构图神经网络

    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

  • 高效异构图学习通过随机投影

    我们提出了一种名为 RpHGNN 的混合预计算型异构图神经网络，它将一种风格的效率与另一种风格的低信息损失相结合，通过引入随机投影压缩步骤和关系化邻居收集组件，在七个小型和大型基准数据集上获得了最先进的结果，并比大多数有效的基准方法快 230％。

    Oct, 2023

  • CHGNN: 半监督对比超图学习网络

    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

  • GCNH: 异质图上的简单表示学习方法

    我们提出了 GCNH，是一种简单但有效的 GNN 架构，适用于异构和同质图形，并使用一个学习的重要系数平衡中心节点和邻域的贡献，可以解决异构图上性能问题和过度平滑问题。

    Apr, 2023

  • 使用 GNN 探索 Horn 子句的表示（扩展技术报告）

    本文提出了一种新的基于图的编程语义学习方法 - 关系超图神经网络（R-HyGNN），通过学习规约角色（Constrained Horn Clauses）的图形表示，提供了一种有效的语言无关的程序特征提取方式，并在 CHC-COMP 2021 基准上展示了一系列任务的准确性。

    Jun, 2022