HGEN：异构图集成网络

本文提出了 HGEN，开创了异构图上的集成学习。我们认为，节点类型、节点特征和局部邻域拓扑的异构性给集成学习带来了重大挑战，特别是在适应多样化的图学习器方面。我们的 HGEN 框架通过元路径和基于变换的优化流程集成多个学习器，以提升分类准确率。具体而言，HGEN 将元路径与随机丢弃相结合，创建等位基因图神经网络，借此训练并对齐基础图学习器以供后续集成。为确保有效的集成学习，HGEN 提出了两个关键组件：1）残差注意力机制，用于校准不同元路径的等位基因 GNN，从而强制节点嵌入关注更具信息量的图，以提高基础学习器的准确率；2）相关性正则化项，用于扩大不同元路径生成的嵌入矩阵之间的差异，从而丰富基础学习器的多样性。我们分析了 HGEN 的收敛性，并证明了其相较于简单投票具有更高的正则化幅度。在五个异构网络上的实验验证了 HGEN 始终以显著优势优于其最先进的竞争者。