当异质性遇上异构图:潜在图引导的无监督表示学习
本文综述了近年来异构图嵌入方法和技术的发展,并系统地归类了各种学习方法来解决异构性带来的挑战,探索了不同类型的应用中使用嵌入方法的可行性,总结了开源代码、现有的图学习平台和基准数据集,预测了未来的研究方向。
Nov, 2020
本文提出了一种新的异质图卷积方法HGConv,它能够在不同层面上直接进行卷积操作,以学习全面的节点表示,并具有良好的可解释性。在各种任务中的实验结果表明,HGConv不仅优于现有方法,而且对于图形分析具有直观的可解释性。
Dec, 2020
提出了一种新的无监督概率图表征学习方法GREET,通过边鉴别器(tedge discrimination)学习鉴别同态和异态的边,采用对偶编码(dual-channel encodings)对同态和异态边进行对比,进一步强化边鉴别和表征学习之间的相互协作,提高了在异态图上的泛化能力和鲁棒性。
Nov, 2022
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
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
HeteroMILE是一种可以使得当代图嵌入方法适应大型图的通用方法,在保持骨干结构的同时将大尺寸图编织成较小尺寸以减少计算成本,并且在链接预测和节点分类方面产生更好质量的嵌入。
Mar, 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
通过引入H2GB图数据集和H2G-former模型,我们在多个真实世界的异质异构图数据集上进行了广泛实验,并展示了现有模型在异质异贡献的图学习方面的不足,以及我们的H2G-former模型的优越性。
Jul, 2024