基于扰动本体论的图注意力网络
机器学习
2024-11-28 v1
摘要
近年来，图表示学习经历了由图神经网络(GNNs)及其异构版本的出现和普及推动的范式转变。异构GNN在从包含多样实体类型和关系的复杂图中提取低维嵌入方面显示出显著的成功。尽管基于元路径的技术长期被认识到能够捕捉节点之间的语义亲缘关系，但其依赖于手动指定存在显著局限。相比之下，面向矩阵的方法通过利用结构线索加速处理，但常常忽视上下文丰富性。本文通过引入本体论作为复杂图中的基本语义原语来挑战当前范式。我们的目标是将矩阵中心方法和基于元路径的方法的优势整合到统一框架中。我们提出了扰动本体论图注意力网络(POGAT)，一种新方法论，将本体论子图与先进的自监督学习范例结合，以实现深层上下文理解。POGAT的核心创新在于设计的增强型同质扰动方案，用于生成严格的负样本，鼓励模型更深入地探索最小上下文特征。通过广泛的实证评估，我们展示了POGAT在关键任务上的显著优于最先进的基线，链路预测任务实现了最高可达10.78%的F1分数提升，节点分类任务实现了12.01%的Micro-F1分数提升。
引用
@article{arxiv.2411.18520,
title = {Perturbation Ontology based Graph Attention Networks},
author = {Yichen Wang and Jie Wang and Fulin Wang and Xiang Li and Hao Yin and Bhiksha Raj},
journal= {arXiv preprint arXiv:2411.18520},
year = {2024}
}