AAAINov, 2022

异质信息网络上的可微元多重图搜索与部分消息传递

PDF
TL;DR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。
heterogeneous information networksgraph neural architecture searchpartial message meta multigraph searchgraph neural networksmeta multigraph
发现论文，激发创造
  • DiffMG: 面向异构图神经网络的可微元图搜索

    本文提出了一种利用异构信息网络中编码的任务相关语义信息的新框架，该框架利用元图搜索可以捕获比元路径更复杂的语义关系，以确定如何沿不同类型的边传播消息。我们在神经结构搜索（NAS）的框架中形式化这一问题并进行可分解搜索，以生成可用于异构信息网络的候选元图并提出任务相关类型约束来过滤不会对与下游任务相关的节点表示产生影响的边类型。我们通过大量实验表明，该方法胜过最先进的异构 GNN，并且比那些可以隐式学习元路径的方法提高了效率。

    Oct, 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

  • 原型增强的超图学习用于异构信息网络

    本研究介绍了一种新的原型增强的超图学习方法，用于异构信息网络中的节点分类，通过使用超图而不是图来捕捉节点之间的高阶关系和提取语义信息，方法利用原型的力量提升超图学习过程的稳健性，并有潜力为人类提供理解底层网络结构的见解。对三个真实世界的异构信息网络进行了广泛实验验证了我们的方法的有效性。

    Sep, 2023

  • 异质信息网络上的无监督元路径约简

    该论文提出了一种名为 SPMR 的新算法，用于在无人监督的情况下减少预定义元路径的数量，从而实现最大程度地保留原始元路径的语义。实验结果表明，SPMR 选择的子集可以使用更少的元路径实现可比甚至更好的性能。

    Oct, 2018

  • 隐私保护推荐的联邦异构图神经网络

    该论文提出了一种基于异构图神经网络的联邦框架，用于在分布式的异构信息网络中协同训练推荐模型，保护用户隐私并恢复由于数据分布存储产生的破坏的元路径语义。

    Oct, 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

  • 基于遗传元结构的异质信息网络推荐搜索

    通过遗传元结构搜索以及注意力机制多视角图卷积网络模块，本文实现了在异质信息网络中元结构的自动优化以提高推荐效果，相较于手动设计的简化版，GEMS 在评估指标上表现出超过 6% 的优势。

    Feb, 2021

  • 基于长程依赖的异构信息网络多层感知器

    该文提出了一种基于长距离依赖的多层感知机模型，通过使用自动化的搜索方法发现有效的元路径，从而解决了现有异构图神经网络模型在处理稀疏异构信息网络时计算和存储开销过高的问题，并且在相应的异构数据集上取得了当时最好的性能和高效性。

    Jul, 2023

  • MAGNN: 面向异质图嵌入的元路径聚合图神经网络

    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

  • 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