简单高效的异质图神经网络
机器学习
2023-09-04 v3
摘要
异质图神经网络（HGNNs）能够将异质图中丰富的结构与语义信息嵌入节点表示。现有 HGNNs 继承了同质图上图神经网络（GNNs）的诸多机制，尤其是注意力机制与多层结构。这些机制带来过度复杂性，但鲜有研究考察其在异质图上是否真正有效。本文对这些机制进行深入细致的研究，并提出简单高效的异质图神经网络（SeHGNN）。为简便捕获结构信息，SeHGNN 使用轻量级均值聚合器预计算邻居聚合，通过去除过度使用的邻居注意力并避免每个训练周期中重复的邻居聚合来降低复杂度。为更好利用语义信息，SeHGNN 采用具有长元路径的单层结构以扩展感受野，以及基于 transformer 的语义融合模块来融合来自不同元路径的特征。结果表明，SeHGNN 具有网络结构简练、预测精度高与训练速度快的特点。在五个真实异质图上的大量实验证明了 SeHGNN 在精度与训练速度上优于现有最优方法。
引用
@article{arxiv.2207.02547,
title = {Simple and Efficient Heterogeneous Graph Neural Network},
author = {Xiaocheng Yang and Mingyu Yan and Shirui Pan and Xiaochun Ye and Dongrui Fan},
journal= {arXiv preprint arXiv:2207.02547},
year = {2023}
}
备注
Accepted by AAAI 2023