关系感知能量的下降步产生异质图神经网络
机器学习
2022-10-24 v4 人工智能
摘要
异质图神经网络（GNN）在半监督学习设定下的节点分类任务中表现强劲。然而，如同更简单的同质GNN情形，基于消息传递的异质GNN可能难以在抵抗深度模型中可能出现的过平滑与捕获图结构数据的长程依赖之间取得平衡。此外，由于不同类型节点间存在差异性的异配关系，这一权衡在异质图情形下更趋复杂。为解决这些问题，我们提出一种新颖的异质GNN架构，其层由下降一种新颖的关系感知能量函数的优化步导出。相应极小化子关于能量函数参数完全可微，从而可应用双层优化来有效学习一种函数形式，其最小值可为后续分类任务提供最优节点表示。特别地，该方法论使我们能在避免过平滑效应的同时建模不同节点类型间的多样异配关系。在8个异质图基准上的实验结果证明，我们所提方法能获得具竞争力的节点分类精度。
引用
@article{arxiv.2206.11081,
title = {Descent Steps of a Relation-Aware Energy Produce Heterogeneous Graph Neural Networks},
author = {Hongjoon Ahn and Yongyi Yang and Quan Gan and Taesup Moon and David Wipf},
journal= {arXiv preprint arXiv:2206.11081},
year = {2022}
}