SynHIN:为可解释人工智能生成合成异构信息网络
本文介绍了一种基于超图的分布式节点嵌入学习框架 DeHIN,通过分布式的超图划分和开发基于超图的并行化节点嵌入算法,实现了对异构信息网络的高效节点嵌入学习和分布式处理。
Jan, 2022
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
利用元路径识别异质图中的异质性并提出了两个度量方法来定量描述异质性水平,在多个具有不同异质性水平的真实异质图上进行了深入研究,观察到继承自处理同质图的图神经网络对异质图的异质性或同质性较低的泛化能力有限。为解决这一挑战,提出了一种新的异质图神经网络 Hetero$^2$Net,通过蒙版元路径预测和蒙版标签预测任务,有效且灵活地处理同质性和异质性异质图,在五个具有不同异质性水平的真实异质图基准上评估了 Hetero$^2$Net 的性能,结果表明 Hetero$^2$Net 在半监督节点分类任务中优于强基线模型, 为有效处理更复杂的异质图提供了有价值的见解。
Oct, 2023
本文提出了一种名为xPath的新框架,针对黑盒异质图神经网络提供细粒度的解释,包括因果节点与目标节点间的影响路径,通过新的图重连算法通过扰动图结构来测量节点对预测的影响,并引入贪婪搜索算法以高效地找到最具影响力的细粒度解释。实证结果表明,与先进的GNN解释方法相比,xPath能够高效地产生准确解释。
Dec, 2023
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
我们研究了异构信息网络中节点属性的差异对于异构图神经网络的性能影响,提出了一种新颖的以属性为指导的Transformer模型AGHINT,通过直接整合高阶相似的邻居特征并修改节点之间的信息传递机制来更有效地聚合邻居节点信息,实验结果表明AGHINT在节点分类任务上胜过了现有的最先进模型。
Apr, 2024
利用类描述逻辑中的类表达式,我们提供了异构图的解释方法,通过GNN和两种不同的评分函数,构建多个图并聚合预测得分,或者通过保真度评分函数将GNN的预测结果与类表达式的预测结果进行比较,而非使用子图解释。
May, 2024
基于对异构图神经网络中的消息传递机制的研究,本文提出了统一异质消息传递(HTMP)机制以及一种名为CMGNN的新方法,通过显式利用和改进兼容性矩阵,实现了在真实世界的异质图中消息传递机制和CMGNN方法的卓越性能。
May, 2024
同质性原则(Homophily principle)是图神经网络(Graph Neural Networks)在图结构数据中表现优越的主要原因,但低同质性(heterophily)却是导致某些情况下图神经网络表现不理想的主要原因。本综述调查了异质图学习的最新进展,包括标杆数据集的详细概述、合成图上同质性度量的评估、最新监督和非监督学习方法的分类、同质性/异质性的理论分析以及与异质性相关的广泛应用。同时,我们首次将标杆的异质性数据集分为恶性、良性和模糊三个子类,其中恶性和模糊数据集是用于测试新模型在异质性挑战上有效性的真正具有挑战性的数据集。最后,我们提出了几个关于异质图表示学习的挑战和未来方向。
Jul, 2024