论文提出了一种基于图神经网络的异构超图表示学习框架,利用小波基于局部超图卷积来表征多种非成对关系,并通过广泛的实验表明该方法优于其他方法,在垃圾邮件检测等任务中也有显著的优势。
Oct, 2020
本文研究异构图神经网络 (HGNNs) 的课程学习技术应用,设计了一种损失感知的训练进度表,命名为 LTS,该表度量数据的每个节点的质量,并逐步增加难度地将训练数据集融入模型中。LTS 可无缝集成到各种框架中,有效减少偏差和方差,减轻噪声数据的影响,并提高整体准确性,从而展示了课程学习在增强 HGNNs 分析复杂图结构数据能力方面的功效。
Feb, 2024
本文提出了 FedHGN,这是一种新颖而通用的 FGL 框架,用于异构图神经网络,采用模式权重分离来启用模式不可知知识共享,并采用系数对齐来稳定训练过程和提高 HGNN 性能,确保更好的隐私保护,FedHGN 在三个异构图数据集上的表现优于本地训练和传统的 FL 方法。
May, 2023
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
跨异构图少样本学习中,提出了一种新模型 CGFL,利用 MHGN 和得分模块来有效地捕捉异构信息、测量标记样本的信息量并确定每个源异构图的可转移性,从而在少样本数据中传递广义知识以预测新类别。通过对四个真实世界数据集的广泛实验,证明了 CGFL 相对于现有方法的卓越性能。
Aug, 2023
利用统一矩阵公式和 HL-GNN 方法,本研究提出了一种整合了各类算启发式方法和传统图神经网络的学习模型,通过广泛的实验验证了其高效性和显著优于现有方法的预测性能。
Jun, 2024
本研究旨在提高异质图神经网络(HGNN)在非同质化环境下的泛化能力,通过提出一种基于元路径的刻画异质图同质性度量方法,并设计了基于同质性的异质图重连方法 HDHGR 来提高 HGNN 的性能。实验证明 HDHGR 的有效性,可以获得 10%以上的相对增益。
Feb, 2023
本研究提出了一种超图神经网络 (HGNN) 框架,可以通过超图结构编码高阶数据相关性,并使用超边卷积操作处理数据相关性,以有效地进行数据表示学习。实验结果表明,HGNN 方法优于最新的最先进的方法,并且可以处理现实世界中的复杂数据和多模数据。
Sep, 2018
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
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