TypeBandit：面向异构图神经网络的类型级上下文分配与重加权
机器学习
2026-05-01 v1 人工智能
摘要
异构图广泛用于建模多关系系统，但缺失的节点属性仍是下游学习的主要瓶颈。本文识别并形式化了类型依赖信息不对称现象：即不同节点类型为属性完成提供的有用信号水平显著不同。针对此观察，我们提出了 TypeBandit，一种轻量级、模型无关的方法用于异构属性完成。TypeBandit 组合拓扑感知初始化、类型级 bandit 采样和联合表示学习。它在节点类型之间分配有限的全局采样预算，按类型采样代表性节点，并将所得的类型摘要作为共享上下文信号用于表示构建。通过在类型层面而非针对每个目标节点的局部邻域操作，TypeBandit 保持自适应状态紧凑，适用于大型异构图。TypeBandit 的一个关键优势是架构灵活性。它不要求构建新的异构图神经网络架构，TypeBandit 可作为代表性异构 GNN backbone（包括 R-GCN、HetGNN、HGT 和 SimpleHGN）的类型感知前端。我们进一步引入混合预训练方案，将结构度数先验与特征传播结合，实现比仅基于度数的预训练更可靠的初始化。在固定-split 协议下在 DBLP、IMDB 和 ACM 上的实验表明，TypeBandit 提供数据依赖但实用且有意义的提升。额外的消融、稳定性、效率、语义传播和样本 OGBN-MAG 实验支持 TypeBandit 作为在类型特定信息分布不均且采样资源有限的异构属性完成的实用策略。
引用
@article{arxiv.2604.27356,
title = {TypeBandit: Type-Level Context Allocation and Reweighting for Effective Attribute Completion in Heterogeneous Graph Neural Networks},
author = {Ta-Yang Wang and Rajgopal Kannan and Viktor Prasanna},
journal= {arXiv preprint arXiv:2604.27356},
year = {2026}
}
备注
17 pages, 4 figures