基于虚拟节点的异构图卷积神经网络用于高效长程信息聚合
机器学习
2025-09-30 v1
摘要
异构图神经网络（HGNN）在通过聚合各种类型节点和边的信息方面展现出强大的性能。然而，现有的异构图模型常常难以捕捉长程信息，或需要堆叠大量层才能学习此类依赖，导致计算复杂度高，并遇上过平滑问题。本文提出了一种基于虚拟节点的异构图卷积网络（VN-HGCN），通过虚拟节点促进图中信息的有效流动。虚拟节点是与图中特定类型节点全部相连的辅助节点， facilitate 对不同类型节点和边之间进行长程信息的高效聚合。通过将虚拟节点纳入图结构，VN-HGCN 仅需 4 层即可实现有效的信息聚合。此外，我们展示了 VN-HGCN 能作为一个通用框架，可无缝应用于其他 HGNN 模型，凸显其通用性。经验评估验证了 VN-HGCN 的有效性，广泛的在三个真实世界异构图数据集上的实验表明，我们的模型在多个最新基线上表现优异。
引用
@article{arxiv.2509.23660,
title = {Virtual Nodes based Heterogeneous Graph Convolutional Neural Network for Efficient Long-Range Information Aggregation},
author = {Ranhui Yan and Jia cai},
journal= {arXiv preprint arXiv:2509.23660},
year = {2025}
}