NoiseHGNN: 基于合成相似图的面积异构图表示学习神经网络

现实图数据环境中固有存在噪声(如链接和结构错误),这不可避免地扰乱图表示和下游学习任务的效果。对于均质图,最新工作使用原始节点特征合成相似图以纠正噪声图的结构。这种做法基于均质图的均质性假设:即在原始图中,均质图中相似的节点倾向于具有直接链接。然而,在异构图中,相似节点通常不具有直接链接,这无法用于纠正原始噪声图。这构成了噪声异构图学习的重大挑战。为此,本文提出一种兼容噪声异构图学习的新颖合成相似图基于图神经网络。首先,计算所有节点的原始特征相似性以合成高阶图;其次,提出一种相似感知编码器以共享参数嵌入原始图和合成图。然后,不采用图到图监督,而是同步监督原始图和合成图的嵌入以预测相同标签。与此同时,从合成图中提取的目标图与从原始图中提取的基于次图的图进行对比,以学习相互信息。大量实验在众多真实数据集上表明,所提方法在噪声异构图学习任务中实现了最先进的成绩。在亮点方面,在几个噪声数据集中实现了+5$\sim$6%的提升,超越了之前的SOTA方法。代码和数据集已公开于https://github.com/kg-cc/NoiseHGNN。