AutoAC：面向异质图神经网络的自动化属性补全
机器学习
2023-02-21 v2
摘要
许多真实世界数据可建模为包含多种类型节点与边的异质图。同时，由于卓越的性能，异质图神经网络（GNN）受到越来越多的关注。然而，现有工作主要聚焦于新颖 GNN 模型的设计，而忽视了另一同样对模型性能有重大影响的重要问题，即某些节点类型的属性缺失。手工属性补全需要庞大的专家经验与领域知识。此外，考虑到节点间语义特征的差异，属性补全应是细粒度的，即属性补全操作应是节点特定的。而且，为提升下游图学习任务的性能，属性补全与异质 GNN 的训练应联合优化而非视为两个独立过程。为应对上述挑战，我们提出一种可微属性补全框架 AutoAC，用于在异质 GNN 中自动化搜索补全操作。我们首先提出一个富有表达力的补全操作搜索空间，包含拓扑依赖与拓扑无关的补全操作。然后，我们提出一种连续松弛方案，并进一步提出一种可微补全算法，其中补全操作搜索被表述为一个双层联合优化问题。为提升搜索效率，我们采用两种优化技术：离散约束与辅助无监督图节点聚类。在真实数据集上的大量实验结果表明，AutoAC 优于 SOTA 手工异质 GNN 与现有属性补全方法。
引用
@article{arxiv.2301.03049,
title = {AutoAC: Towards Automated Attribute Completion for Heterogeneous Graph Neural Network},
author = {Guanghui Zhu and Zhennan Zhu and Wenjie Wang and Zhuoer Xu and Chunfeng Yuan and Yihua Huang},
journal= {arXiv preprint arXiv:2301.03049},
year = {2023}
}