Hetero$^2$Net：异配感知的异质图表示学习
机器学习
2023-10-19 v1 人工智能
摘要
现实世界中的图通常较为复杂，在全局结构上表现出异质性，同时在局部邻域内呈现强烈的异配性。尽管已有大量文献揭示了常见图神经网络（GNN）在处理具有异配性的同质图时的局限，但针对异质图中异配性质的研究甚少。为弥补这一研究空白，我们利用元路径识别异质图中的异配性，并提出两个实用度量来定量描述异配程度。通过对若干个具有不同异配水平的真实异质图深入调研，我们观察到异质图神经网络（HGNN）由于继承了诸多为同质图设计的GNN机制，难以泛化到具有异配性或低同配性的异质图。为应对该挑战，我们提出HeteroNet，一种异配感知的HGNN，其结合了掩码元路径预测与掩码标签预测任务，以有效且灵活地处理同配与异配异质图。我们在五个具有不同异配水平的真实异质图基准上评估HeteroNet的性能。结果表明，HeteroNet在半监督节点分类任务上优于强基线模型，为有效处理更复杂的异质图提供了有价值的见解。
引用
@article{arxiv.2310.11664,
title = {Hetero$^2$Net: Heterophily-aware Representation Learning on Heterogenerous Graphs},
author = {Jintang Li and Zheng Wei and Jiawang Dan and Jing Zhou and Yuchang Zhu and Ruofan Wu and Baokun Wang and Zhang Zhen and Changhua Meng and Hong Jin and Zibin Zheng and Liang Chen},
journal= {arXiv preprint arXiv:2310.11664},
year = {2023}
}
备注
Preprint