异构层束神经网络
机器学习
2026-05-25 v3
摘要
异构图的节点和边可以属于不同的类型和特征空间，广泛存在于生物学、推荐系统、社交网络和计算机系统等许多现实领域中。现有的异构图神经网络通常在架构层面通过特定关系的模块、元路径机制或类型感知注意力来处理这种异构性，这往往导致日益专业化且参数量庞大的设计。在本工作中，我们提出了 HetSheaf，一个通过胞腔层束学习异构图的框架。HetSheaf 不再仅在架构中编码异构性，而是通过分配类型感知的局部特征空间并学习以节点特征、节点类型和边类型为条件的限制映射，将其直接表示在底层数据结构中。为了支持图级预测，我们进一步引入了 SheafPool，一种通用的茎空间读出函数，它在聚合节点表示的同时对局部基变换保持不变，从而使层束网络的图分类具有良好的定义，并且 F1 Score 比平均池化最高提升 42 个百分点。在多种基准测试（节点分类、链路预测和图分类）中，HetSheaf 在异构图基准（HGB）框架上，相较于同构（GCN、GAT、GIN、GraphSAGE）、异构（R-GCN、HAT、HGT）以及类型无关的层束基线，始终取得高达 2 个百分点的性能提升（节点分类的 Macro F1 Score 高达 94.97%，链路预测高达 99.62%），同时将参数量减少了 10。
引用
@article{arxiv.2409.08036,
title = {Heterogeneous Sheaf Neural Networks},
author = {Luke Braithwaite and Alessio Borgi and Gabriele Onorato and Kristjan Tarantelli and Francesco Restuccia and Fabrizio Silvestri and Pietro Liò},
journal= {arXiv preprint arXiv:2409.08036},
year = {2026}
}
备注
48 pages, 2 figures