THeGAU：类型感知的异构图自编码器与增强
机器学习
2025-12-12 v1
摘要
异构图神经网络 (HGNNs) 用于建模复杂的多类型实体和关系的异构信息网络 (HINs)，但常常受到类型信息丢失和结构噪声的限制，影响其表征保真度和泛化能力。我们提出 THeGAU，一个模型无关的框架，结合类型感知图自编码器和引导图增强以提高节点分类性能。THeGAU 将 schema-valid 边作为辅助任务以保留节点类型语义，引入解码器驱动的增强机制以选择性地细化噪声结构。这种联合设计显著降低计算开销，同时提升鲁棒性、准确性和效率。在三个基准 HIN 数据集 (IMDB、ACM 和 DBLP) 上进行的大量实验表明，THeGAU 在多个 backbone 方法中 consistently 实现最先进性能。
引用
@article{arxiv.2512.10589,
title = {THeGAU: Type-Aware Heterogeneous Graph Autoencoder and Augmentation},
author = {Ming-Yi Hong and Miao-Chen Chiang and Youchen Teng and Yu-Hsiang Wang and Chih-Yu Wang and Che Lin},
journal= {arXiv preprint arXiv:2512.10589},
year = {2025}
}