HGOT：基于最优传输的自监督异构图神经网络
机器学习
2025-06-09 v1 人工智能
社会与信息网络
摘要
异构图神经网络（HGNN）在处理异构信息网络方面展现出了卓越的能力。异构图上的自监督学习，尤其是对比自监督策略，在无标签情况下显示出巨大潜力。然而，该方法需要使用精心设计的图增强策略并选择正负样本。确定样本对之间的确切相似度并非易事。为解决这一问题，我们提出了一种新颖的基于最优传输的自监督异构图神经网络方法（HGOT），旨在无需图增强策略的情况下促进异构图的自监督学习。与传统的对比自监督学习不同，HGOT 采用最优传输机制来减轻繁琐的正负样本采样过程。具体而言，我们设计了一个聚合视图（中心视图），以整合由不同元路径表示的视图（分支视图）中所包含的语义信息。随后，我们引入一个最优传输计划，以识别分支视图与中心视图所含语义之间的传输关系。这使得图之间的最优传输计划能够与表示对齐，迫使编码器学习到更接近图空间且质量更高的节点表示。在四个真实数据集上的大量实验表明，我们提出的 HGOT 模型能在各种下游任务上达到 SOTA 性能。特别是在节点分类任务中，HGOT 的准确率比 SOTA 方法平均提升了 6% 以上。
引用
@article{arxiv.2506.02619,
title = {HGOT: Self-supervised Heterogeneous Graph Neural Network with Optimal Transport},
author = {Yanbei Liu and Chongxu Wang and Zhitao Xiao and Lei Geng and Yanwei Pang and Xiao Wang},
journal= {arXiv preprint arXiv:2506.02619},
year = {2025}
}
备注
The paper has 9 pages of text and 13 pages in total (including acknowledgments, impact statement, references, and appendix), with 6 figures and 2 tables. This paper has been accepted by ICML 2025 conference and this is a final version of the manuscript submitted to the conference