哈格恩:对异质图神经网络的混合聚合

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 图形神经网络的神经网络

背景情况:

• 不同质的图形神经网络 (GNN) 对于处理复杂的图形数据是有效的.
• 在现有的异质GNN中,元路径至关重要,但它们的必要性仍在争论中.
• 没有元路径的模型显示了可比性能,质疑对元路径的完全依赖.

研究的目的:

• 研究GNN中基于元路径和无元路径的邻居选择之间的内在差异.
• 为全面的语义信息利用提出一种新的框架,即异质GNN的混合聚合 (HAGNN).
• 通过同时利用元路径和直接连接的邻居来增强异构的GNN.

主要方法:

• HAGNN采用了两阶段的聚合:基于元路径的内部类型和无元路径的类型间聚合.
• 为结构性语义意识聚合引入了一个融合的元路径图形数据结构.
• 两个聚合阶段的嵌入组合在一起,以捕捉丰富的图形语义.

主要成果:

• 通过结合不同的聚合策略,HAGNN有效地利用图形的异质性.
• 对节点分类,集群和链接预测的实验证明了HAGNN的优势.
• 拟议的框架显示了与现有的异质GNN模型相比的显著改进.

结论:

• 哈格恩提供了一种全面的方法来学习异质图表表示.
• 该框架有效地整合了多样化的语义信息,优于现有的方法.
• 在各种基于图表的任务中,HAGNN表现出更高的有效性和效率.