SGAT:单纯复图注意力网络
机器学习
2022-07-26 v1
摘要
异质图具有多种节点与边类型,比同质图语义更丰富。为学习此类复杂语义,许多面向异质图的图神经网络方法使用元路径来捕获节点间的多跳交互。通常,非目标节点的特征不被纳入学习过程。然而,可能存在涉及多个节点或边的非线性、高阶交互。本文中,我们提出单纯复图注意力网络(SGAT),一种通过将非目标节点特征置于单纯形上来表征此类高阶交互的单纯复方法。我们随后使用注意力机制与上邻接来生成表示。我们在异质图数据集的节点分类任务上以经验证明了方法的有效性,并进一步通过使用随机节点特征展示了SGAT提取结构信息的能力。数值实验表明,SGAT优于其他当前最优异质图学习方法。
引用
@article{arxiv.2207.11761,
title = {SGAT: Simplicial Graph Attention Network},
author = {See Hian Lee and Feng Ji and Wee Peng Tay},
journal= {arXiv preprint arXiv:2207.11761},
year = {2022}
}
备注
Accepted in the 31st International Joint Conference on Artificial Intelligence (IJCAI-ECAI), 2022