Apr, 2024

AGHINT：基于 Transformer 的异构信息网络上的属性引导表示学习

PDF
TL;DR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。
发现论文，激发创造
  • 基于 Transformer 在异构信息网络中利用潜在属性交互

    利用异构图神经网络建模了类型多样性节点，并通过两个关键组件，即类型感知编码器和维度感知编码器，解决了节点类型信息丢失和高阶信息损失问题，在编码节点表征时充分利用了图的异构性。实验证明了 MULAN 在六个异构数据集上的优越性和高效性。

    Nov, 2023

  • 自主学习的异构图变分自编码器

    通过引入生成自监督模型 SHAVA，本文提出了一种可以同时解决节点属性缺失、属性不准确和标签稀缺问题的方法，该方法在异构信息网络中构建了低维表示矩阵，并通过节点和属性的编码解码实现了节点属性的精细语义信息表达、属性重建和准确性纠正。实验结果表明，SHAVA 在处理具有缺失和不准确属性的异构信息网络方面具有优越性。

    Nov, 2023

  • 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

  • 异质图变换器

    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

  • 异质深度图卷积网络

    本文提出了一种基于信息理论的非监督图神经网络方法，即异构深度图 Infomax（HDGI），用于解决异构图的特征提取与表示问题，利用本地 - 全局互信息最大化捕获高级节点表示，并在分类和聚类任务上取得优秀的表现。

    Nov, 2019

  • 拓扑指导的超图变换网络：揭示结构洞察以改进表示

    提出了一种拓扑引导的超图变换网络，通过保留结构本质学习图中的高阶关系，设计了简洁而有效的结构和空间编码模块将节点的拓扑和空间信息融入其表示，并提出了一种结构感知的自注意机制，从语义和结构角度发现重要节点和超边。实验证明，所提模型在节点分类任务上的性能始终优于现有方法。

    Oct, 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

  • 面向不平衡异构信息网络的语义感知节点综合

    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。

    Feb, 2023

  • 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

  • HGAttack: 可转移的异构图对抗攻击

    HGAttack 是针对异构图设计的首个灰盒逃避攻击方法，通过设计一种新颖的代理模型，利用梯度方法实现扰动生成，提高了生成攻击在目标 HGNN 上的可转移性并显著降低了内存成本。在三个数据集上的综合实验证实了 HGAttack 的有效性。

    Jan, 2024