SlotGAT：基于槽位的异构图神经网络消息传递
机器学习
2024-05-06 v1
摘要
异构图是建模复杂数据的常见方式，对强大且有效支持重要应用的异构图神经网络迫切需求。我们识别出现有消息传递过程中潜在的语义混合问题，即节点v的邻居表示被迫转换为v的特征空间，以进行聚合，尽管这些邻居属于不同类型。也就是说，不同节点类型的语义被缠合到v的表示中。为解决此问题，我们提出SlotGAT，通过为每个节点类型设计独立的消息传递槽位，来保持其自身节点类型特征空间中的表示。此外，在槽位消息传递层中，我们设计了一种注意力机制，用于有效的槽位级消息聚合。进一步，我们在SlotGAT的最后一层之后开发了一种槽位注意力技术，以学习下游任务中不同槽位的重要性。我们的分析表明，SlotGAT的槽位可以在各种特征空间中保留不同语义。我们在6个数据集上针对节点分类和链接预测评估了SlotGAT的优势，测试了13种基线方法。我们的代码可在 https://github.com/scottjiao/SlotGAT_ICML23/ 获取。
引用
@article{arxiv.2405.01927,
title = {SlotGAT: Slot-based Message Passing for Heterogeneous Graph Neural Network},
author = {Ziang Zhou and Jieming Shi and Renchi Yang and Yuanhang Zou and Qing Li},
journal= {arXiv preprint arXiv:2405.01927},
year = {2024}
}
备注
Published as a conference paper at ICML 2023