异质信息网络上基于偏消息传播的可微分元多图搜索
机器学习
2022-11-29 v1 神经与进化计算
机器学习
摘要
异质信息网络（HINs）被广泛用于描述具有复杂实体与关系的真实世界数据。为自动利用其语义信息，图神经架构搜索近期已在 HINs 的多种任务上得到发展。然而，现有工作存在不稳定与不灵活的缺陷。为解决这些问题，我们提出一种称为偏消息元多图搜索（PMMM）的新方法，以自动优化 HINs 上的神经架构设计。具体而言，为学习图神经网络（GNNs）如何沿各类边传播消息，PMMM 采用高效的可微分框架搜索有意义的元多图，其可比元图捕捉更灵活复杂的语义关系。可微分搜索通常受性能不稳定困扰，因此我们进一步提出称为偏消息搜索的稳定算法，以确保搜索出的元多图始终超越手工设计的元结构即元路径。在六个基准数据集上围绕节点分类与推荐两个代表性任务的充分实验证明了所提方法的有效性。我们的方法优于最优异质 GNNs，发掘出有意义的元多图，且显著更稳定。
引用
@article{arxiv.2211.14752,
title = {Differentiable Meta Multigraph Search with Partial Message Propagation on Heterogeneous Information Networks},
author = {Chao Li and Hao Xu and Kun He},
journal= {arXiv preprint arXiv:2211.14752},
year = {2022}
}
备注
12 pages, 7 figures, 8 tables, accepted by AAAI 2023 conference