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

LightHGNN and LightHGNN$^+$ are proposed to eliminate the high-order structural dependencies of Hypergraph Neural Networks (HGNNs) during inference, reducing computational complexity and improving inference speed, achieving competitive or better performance than HGNNs and outperforming vanilla MLPs, while also showcasing their ability for latency-sensitive deployments.

Feb, 2024

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

提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架，通过生成 hierarchical structure，并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm，实现了对长程信息的高效访问，从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。

Sep, 2020

使用知识蒸馏技术将图神经网络（GNNs）和多层感知器（MLPs）相结合，提出了无图依赖的神经网络 GLNNs，并在 7 个数据集的生产环境中证明其比 GNNs 更快且准确率接近，适用于延迟受限的应用程序。

Oct, 2021

本文提出了一种新的图神经网络架构 - 图注意力多层感知器（GAMLP），并在多个真实世界数据集和大规模工业数据集上进行了评估，证明了 GAMLP 在扩展性和效率方面具有最先进的性能。

Jun, 2022

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

通过研究不同数据集中的元路径，本文发现不同元路径之间连接的邻居数量存在巨大差异，并针对大邻居路径中包含的噪声干扰问题，提出了基于大和小邻居路径识别的异构图神经网络分类和聚合算法（LSPI），通过路径判别器将元路径划分为大和小邻居路径，并从拓扑和特征角度选择具有较高相似性的邻居节点，通过不同的图卷积组件对小邻居路径和经过筛选的大邻居路径进行聚合，根据不同子图融合特征信息，生成最终节点嵌入。该方法在广泛的实验中验证了其优越性，并给出了关于保留大邻居路径中节点数量的建议。

May, 2024

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

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