面向异构图神经网络的损失感知课程学习
机器学习
2024-05-13 v1
摘要
异构图神经网络 (HGNNs) 是一类专门为包含不同类型节点和边的异构图设计的深度学习模型。本文研究了课程学习技术在提高异构图神经网络 (GNNs) 性能和鲁棒性方面的应用。为了更好地分类数据质量，我们设计了一种名为 LTS 的损失感知训练调度方案，该方案测量数据中每个节点的质量，并以逐步增加难度的方式将训练数据集渐进地纳入模型。LTS 可以无缝集成到各种框架中，有效减少偏差和方差，减轻噪声数据的影响，并提高整体准确率。我们的研究结果证明了课程学习在增强 HGNNs 分析复杂图结构数据能力方面的有效性。代码公开于 https://github.com/LARS-research/CLGNN/。
引用
@article{arxiv.2402.18875,
title = {Loss-aware Curriculum Learning for Heterogeneous Graph Neural Networks},
author = {Zhen Hao Wong and Hansi Yang and Xiaoyi Fu and Quanming Yao},
journal= {arXiv preprint arXiv:2402.18875},
year = {2024}
}