面向异构图学习网络的关系中心化池化与卷积
机器学习
2022-11-01 v1 人工智能
摘要
异构图神经网络在图表示学习上释放出巨大潜力，并在节点分类与聚类等下游任务上展现出优越性能。现有异构图学习网络主要依赖于预定义元路径，或采用注意力机制在不同节点/边上进行类型特定的注意力消息传播，带来了大量定制工作与计算开销。为此，我们设计了一种面向异构图学习网络的关系中心化池化与卷积方法，即 PC-HGN，以实现关系特定采样与跨关系卷积，通过自适应训练过程将图的结构异构性更好地编码进嵌入空间。我们在三个不同真实世界数据集上与最先进的图学习模型比较来评估所提模型的性能，结果表明 PC-HGN 持续优于所有基线，最高提升达 17.8%。
引用
@article{arxiv.2210.17142,
title = {Towards Relation-centered Pooling and Convolution for Heterogeneous Graph Learning Networks},
author = {Tiehua Zhang and Yuze Liu and Yao Yao and Youhua Xia and Xin Chen and Xiaowei Huang and Jiong Jin},
journal= {arXiv preprint arXiv:2210.17142},
year = {2022}
}