大规模异质图上的长程元路径搜索
人工智能
2025-03-26 v6
摘要
长程依赖这一概念在同质图中已被广泛研究，但在异质图（尤其是大规模异质图）中仍鲜有探索，这带来了两个重大挑战：在存在异质性的情况下降低计算成本的同时最大化有效信息利用，以及克服图神经网络中的过平滑问题。为填补这一空白，我们研究了不同元路径的重要性，并提出了一种在异质图上利用长程依赖的自动框架，称为基于渐进采样的长程元路径搜索（LMSPS）。具体而言，我们构建了与目标节点类型相关的所有元路径的搜索空间。通过采用渐进采样算法，LMSPS以与跳数无关的时间复杂度动态收缩搜索空间。借助采样评估策略，LMSPS进行专门且有效的元路径选择，仅使用有效元路径进行重训练，从而降低成本与过平滑。在多个异质数据集上的大量实验验证了LMSPS发现有效长程元路径的能力，其性能超越最先进的方法。我们的代码已发布于 https://github.com/JHL-HUST/LMSPS。
引用
@article{arxiv.2307.08430,
title = {Long-range Meta-path Search on Large-scale Heterogeneous Graphs},
author = {Chao Li and Zijie Guo and Qiuting He and Hao Xu and Kun He},
journal= {arXiv preprint arXiv:2307.08430},
year = {2025}
}
备注
Accepted by Advances in Neural Information Processing Systems (NeurIPS 2024)