一个自我监督的异质图表注意力模型,基于可适应的步骤大小元路径

科学领域:

• 图形神经网络的神经网络
• 机器学习 机器学习
• 网络分析 网络分析

背景情况:

• 异质图形神经网络 (HGNN) 对于模拟复杂的现实世界网络至关重要.
• 现有的HGNN通常需要预定义的元路径,并与有限的标记数据作斗争.
• 目前的方法缺乏元路序列建模和自适应特征提取.

研究的目的:

• 提出一个自我监督的异质图注意力模型 (HGAM),使用可适应的步骤大小元路径.
• 克服预定义元路径的局限性,解决HGNN中的数据稀缺问题.
• 通过自适应地捕获重要元路和整合全球信息来增强表示学习.

主要方法:

• 为HGAM开发了一个可适应的步骤大小元路模块,考虑到不同步骤大小的注意力权重和趋势.
• 实施了双重对比的学习策略,用于自我监督的学习,将高阶元图与节点对比,并保留本地结构.
• 在使用现实数据集对节点分类,集群和链接预测任务进行了HGAM评估.

主要成果:

• HGAM 适应性地捕获重要的步骤大小元路,扩大模型的受体场,并整合全球信息.
• 双重对比学习策略有效地解决了标记数据稀缺的问题.
• 在所有评估任务中,与最先进的方法相比,实现了更高的性能.

结论:

• HGAM提供了一种新且有效的方法,用于在异质图上进行自我监督的学习.
• 可适应的步骤大小元路和双对比学习显著改善了表示学习.
• HGAM 显示了对各种基于图形的分析任务的强大潜力.