生成对比异构图神经网络
本文研究如何利用对比学习增强异构图神经网络的自我监督学习,提出了一种名为 HeCo 的新型协同对比学习机制,该机制使用交叉视图对比学习方法,学习节点嵌入以捕捉局部和高阶结构,并提出两种方法来生成更难的负样本以提高性能。最终获得包含不变因素和视图特定因素的高级节点嵌入。
Apr, 2023
本文研究了自监督的异构图神经网络,并提出了一种名为 HeCo 的新型协同对比学习机制,用于异构信息网络的节点嵌入学习,该方法利用两个视图提取两种嵌入,确保两个视图之间相互监督,学习高级节点嵌入,并使用两种 HeCo 扩展生成更难的高质量负样本,提高了性能。
May, 2021
本文提出了一种使用自监督对比学习技术、适应性超图视图生成器以及改进的超图编码器的对比式超图神经网络(CHGNN),用于从已标记数据和未标记数据中学习,实验结果表明 CHGNN 在分类准确率方面优于 13 个竞争对手。
Mar, 2023
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
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
本研究旨在改善低标签环境下超图神经网络的泛化性能,提出 HyperGCL 方法,通过应用图像 / 图形上的对比学习方法构建超图的对比视图,其中包括从领域知识指导下的虚构方案以及利用超图生成模型进行数据驱动上的更有效视图的探索。实验结果表明,HyperGCL 在提高超图表示学习的鲁棒性和公平性方面表现出色。
Oct, 2022
本文通过使用官方代码、数据集、设置和超参数,对 12 个最近的异质图神经网络进行了系统的复现,揭示了关于 HGNNs 进展的惊人发现。发现由于不当的设置,简单的同质 GNNs 被大大低估,GAT 在适当的输入情况下可以在各种情况下与或胜过所有现有的 HGNNs。为了促进鲁棒且可重复的 HGNN 研究,我们构建了异质图基准 (HGB),其中包括具有三个任务的 11 个不同的数据集。HGB 规范了异质图数据分割、特征处理和性能评估的流程。最后,我们介绍了一个简单但非常强大的基准 Simple-HGN,它在 HGB 上明显优于所有先前的模型,以加速未来 HGNNs 的发展。
Dec, 2021
这项研究考虑了异构图层次异常检测的问题,提出了 HRGCN,一种无监督的深度异构图神经网络,用于有效地识别系统中的异常行为图。在两个真实应用数据集上的广泛评估表明,HRGCN 优于目前最先进的竞争性异常检测方法。进一步展示了一个实际工业案例研究,以证明 HRGCN 在检测移动通信服务中的异常(如拥塞)网络设备方面的有效性。
Aug, 2023
本文介绍了一种用于建模 Web 规模异构图的异构图转换器架构(HGT),通过设计基于节点类型和边类型的参数来实现异构性,并引入相对时间编码技术和异构迷你批图采样算法来处理动态异构图数据,实验表明,所提出的 HGT 模型在各种下游任务中始终优于所有最先进的 HNN 基线 9%至 21%。
Mar, 2020
本研究提出了一种多重异构图卷积网络(Multiplex Heterogeneous Graph Convolutional Network,MHGCN),可以通过多层卷积聚合自动学习多重异构网络中不同长度的有用异构元路径交互,并有效地将多关系结构信号和属性语义集成到有监督和半监督学习范式中的学习节点嵌入中,实验证明其在各种网络分析任务中显著优于现有的嵌入基线。
Aug, 2022