BG-HGNN：面向复杂异质图的高效学习
机器学习
2025-12-10 v2
摘要
异质图由通过多种关系连接的多种节点和边类型组成，在现实应用中无处不在。消息传递异质图神经网络（HGNN）已成为处理此类数据的一类强大模型。然而，现有HGNN通常为每种关系类型分配一组单独的可学习权重来建模关系异质性。尽管这些模型前景广阔，但它们主要在仅具有少量关系类型的简单异质图上有效。本文表明，这种标准设计固有地导致参数爆炸（可学习参数的数量随关系类型数量快速增长）和关系坍缩（模型丧失区分不同关系的能力）。这些问题使得现有HGNN对于具有许多关系类型的复杂异质图效率低下或不切实际。为应对这些挑战，我们提出Blend&Grind-HGNN（BG-HGNN），一个统一的特征表示框架，将关系异质性整合并提炼到一个共享的低维特征空间中。该设计消除了对关系特定参数集的需求，即使在关系数量增长时也能实现高效且富有表达力的学习。实验表明，BG-HGNN相比最先进的HGNN取得了显著提升，参数效率提高达28.96倍，训练吞吐量提高达110.30倍，同时在复杂异质图上匹配或超越了它们的准确率。
引用
@article{arxiv.2403.08207,
title = {BG-HGNN: Toward Efficient Learning for Complex Heterogeneous Graphs},
author = {Junwei Su and Lingjun Mao and Zheng Da and Chuan Wu},
journal= {arXiv preprint arXiv:2403.08207},
year = {2025}
}