May, 2024
HeteGraph-Mamba: 基于选择性状态空间模型的异构图学习
HeteGraph-Mamba: Heterogeneous Graph Learning via Selective State Space Model
Zhenyu Pan, Yoonsung Jeong, Xiaoda Liu, Han Liu
TL;DR我们提出了一种异构图曼巴网络 (HGMN)，它是利用选择性状态空间模型 (SSSMs) 进行异构图学习的首次探索。相比文献，我们的 HGMN 克服了两个主要挑战：(i) 捕捉异构节点之间的长程依赖和 (ii) 将 SSSMs 针对异构图数据进行适应。我们的主要贡献是提出了一个通用的图结构，可以解决现实场景中的异构节点，并进行高效的流程。在方法上，我们引入了一种两级高效的标记化方法，首先在相同节点类型内捕捉长程依赖，然后在所有节点类型之间进行捕捉。在实证方面，我们在异构基准测试上将我们的框架与其他 19 个最先进的方法进行了比较。广泛的比较表明，我们的框架在准确性和效率维度上表现优于其他方法。