双曲异构图变换器
机器学习
2026-01-14 v1 人工智能
社会与信息网络
摘要
在异构图中，我们可以观察到树状或层次结构等复杂结构。最近，双曲空间广泛应用于许多研究中，以有效地学习这些复杂结构。尽管这些方法在学习异构图方面已显示出双曲空间的优势，但大多数现有方法仍面临若干挑战。它们依赖于切向空间操作，这常常导致在频繁转换期间出现映射失真。此外，它们的消息传递架构主要关注局部邻域信息，使其难以捕获全局层次结构和不同类型节点之间的长程依赖关系。为解决这些限制，我们提出了双曲异构图变换器（HypHGT），在完全位于双曲空间内有效且高效地学习异构图表示。与基于消息传递的双曲异构图 GNN 不同，HypHGT 通过基于变换器的架构自然捕获局部和全局依赖关系。此外，本方法提出的关系特定双曲注意力机制具有线性时间复杂度，使计算效率得到提高，同时保留了不同关系类型之间的异构信息。这种设计使 HypHGT 能够有效捕捉异构图固有的复杂结构属性和语义信息。我们进行了全面的实验来评估 HypHGT 的有效性和效率，结果表明它在节点分类任务中 consistently 优于当前最先进的方法，训练时间和内存使用量显著降低。
引用
@article{arxiv.2601.08251,
title = {Hyperbolic Heterogeneous Graph Transformer},
author = {Jongmin Park and Seunghoon Han and Hyewon Lee and Won-Yong Shin and Sungsu Lim},
journal= {arXiv preprint arXiv:2601.08251},
year = {2026}
}
备注
14pages, 9 figures