Feb, 2023

面向不平衡异构信息网络的语义感知节点综合

PDF
TL;DR本研究提出了一种名为 “Semantic-aware Node Synthesis” 的方法，用于处理异质信息网络中少数类别节点的语义不平衡问题，并引入两种正则化方法以抑制合成节点的潜在噪声，从而更有效地进行表示和分类。实验结果表明，该方法在不同的基准数据集中的表现比现有方法都要优异。
heterogeneous graph neural networksclass-imbalance distributionsemantic imbalancesemantic-aware node synthesisregularization approaches
发现论文，激发创造
  • SynHIN：为可解释人工智能生成合成异构信息网络

    通过识别真实数据集中的模式、统计图数据以及构建合成网络，我们提出了 SynHIN 方法，用于生成合成的异构信息网络和图数据集，并为解释性异构图神经网络提供了一个基准数据集，从而朝着可解释的人工智能在异构图神经网络中迈出了重要的一步。

    Jan, 2024

  • 简单高效的异构图神经网络

    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

  • 超越同质假设的不平衡节点分类

    本研究提出了 GraphSANN 模型，用于实现在同构和异构图中的不平衡节点分类。该模型包含统一的特征混合器、自适应的子图提取器和多过滤器子图编码器三个部分，并在八个数据集上进行了广泛实验，结果表明该模型在同构和异构图的不平衡节点分类上具有优越性。

    Apr, 2023

  • 基于源感知的异构信息网络嵌入训练

    提出 SUMSHINE（Scalable Unsupervised Multi-Source Heterogeneous Information Network Embedding），这是一个可扩展的无监督框架，用于对齐多个异构信息网络源之间的嵌入分布，并在各种下游任务中验证其在真实世界数据集上的性能优于最先进的异构信息网络嵌入算法。

    Jul, 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

  • 基于子图采样的异构图节点嵌入的 GAN 方法

    我们提出了一个新方法来解决异构图中的类不平衡问题，该方法结合了生成对抗网络（GANs）和图神经网络（GNNs）的优点，通过创建合成节点和边来有效地平衡数据集。该方法直接针对数据级别的不平衡问题，并解决了数据生成过程中忽略图结构以及在下游任务中使用基于 GNN 的分类器时创建可用的合成结构的问题。同时处理节点和边的信息，通过节点增强和子图采样改善边的平衡。另外，我们的框架还整合了一个阈值策略，在训练过程中帮助确定最佳的边界阈值，避免了耗时的参数调整。在 Amazon 和 Yelp 评论数据集上的实验验证了我们提出的框架的有效性，特别是在少数节点识别方面，它在关键性能指标上始终优于基线模型，展示了其在该领域的潜力。

    Dec, 2023

  • 异质友善信息增强图神经网络

    在异质性的情况下，图神经网络（GNNs）往往表现出次优的性能。本文提出并证明了异质性中宝贵的语义信息可以通过研究每个节点在图中的邻居分布来有效地利用于图学习，进而构建了一种新的图结构 HiGNN，该结构通过利用节点分布来增强具有相似语义特征的节点之间的连接性。通过在节点分类任务上的实证评估和与其他方法比较，我们验证了 HiGNN 在改进图表示方面的有效性，并证明通过整合异质性信息可以显著提升现有基于 GNN 的方法，以及在真实世界数据集中的同质性程度，从而证明了我们方法的功效。

    Mar, 2024

  • Seq-HGNN：学习异构图上的序列节点表示

    Seq-HGNN 是一种新颖的异构图神经网络，使用序列节点表示学习机制来表示每个节点的元路径表示序列， 并使用异构表示融合模块来聚合这些表示。 实验证明，Seq-HGNN 在信息检索方面的性能超过了现有的同类模型。

    May, 2023

  • 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

  • 基于注意力机制的异构结构学习图神经网络

    本文针对异构信息网络（HIN）的图表示学习进行了研究，并提出了一种新颖的基于异构图结构注意力神经网络（HetSANN）的方法，该方法在不需要领域专家设计元路径方案的情况下能够自动处理异构信息。实验证明，该方法相较于现有的 HIN 嵌入模型有显著和一致的提升。

    Dec, 2019