論文の概要: HAGNN: Hybrid Aggregation for Heterogeneous Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2307.01636v2
• Date: Sun, 15 Dec 2024 15:14:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:49:49.846818
• Title: HAGNN: Hybrid Aggregation for Heterogeneous Graph Neural Networks
• Title（参考訳）: HAGNN: 異種グラフニューラルネットワークのためのハイブリッドアグリゲーション
• Authors: Guanghui Zhu, Zhennan Zhu, Hongyang Chen, Chunfeng Yuan, Yihua Huang,
• Abstract要約: 異種グラフニューラルネットワーク(GNN)は異種グラフの処理に成功している。 近年の研究では、メタパスを持たない単純な同質グラフモデルでも同等の結果が得られることが指摘されている。 ヘテロジニアスグラフにおけるリッチな型意味情報(HAGNN)を包括的に活用するための新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 25.66152026056637
• License:
• Abstract: Heterogeneous graph neural networks (GNNs) have been successful in handling heterogeneous graphs. In existing heterogeneous GNNs, meta-path plays an essential role. However, recent work pointed out that simple homogeneous graph model without meta-path can also achieve comparable results, which calls into question the necessity of meta-path. In this paper, we first present the intrinsic difference about meta-path-based and meta-path-free models, i.e., how to select neighbors for node aggregation. Then, we propose a novel framework to utilize the rich type semantic information in heterogeneous graphs comprehensively, namely HAGNN (Hybrid Aggregation for Heterogeneous GNNs). The core of HAGNN is to leverage the meta-path neighbors and the directly connected neighbors simultaneously for node aggregations. HAGNN divides the overall aggregation process into two phases: meta-path-based intra-type aggregation and meta-path-free inter-type aggregation. During the intra-type aggregation phase, we propose a new data structure called fused meta-path graph and perform structural semantic aware aggregation on it. Finally, we combine the embeddings generated by each phase. Compared with existing heterogeneous GNN models, HAGNN can take full advantage of the heterogeneity in heterogeneous graphs. Extensive experimental results on node classification, node clustering, and link prediction tasks show that HAGNN outperforms the existing modes, demonstrating the effectiveness of HAGNN.
• Abstract（参考訳）: 異種グラフニューラルネットワーク(GNN)は異種グラフの処理に成功している。 既存の異種GNNでは、メタパスが重要な役割を果たす。 しかし、近年の研究はメタパスのない単純な同質グラフモデルでも同等の結果が得られることを指摘し、メタパスの必要性を疑問視している。 本稿では,まず,メタパスに基づくメタパスフリーモデルとメタパスフリーモデル,すなわちノードアグリゲーションの隣人を選択する方法に関する本質的な違いを示す。 そこで我々は,ヘテロジニアスグラフのリッチな型意味情報,すなわちHAGNN(Hybrid Aggregation for Heterogeneous GNNs)を包括的に活用するための新しいフレームワークを提案する。 HAGNNの中核は、ノード集約のためにメタパス隣人と直接接続された隣人を活用することである。 HAGNNは、全体的な集約プロセスを、メタパスベースのイントラタイプアグリゲーションとメタパスフリーイントラタイプアグリゲーションの2つのフェーズに分割する。 タイプ内アグリゲーションフェーズにおいて、融合メタパスグラフと呼ばれる新しいデータ構造を提案し、その上で構造的セマンティックアグリゲーションを実行する。 最後に、各位相によって生成された埋め込みを組み合わせる。 既存の異種GNNモデルと比較して、HAGNNは異種グラフの異種性を完全に活用することができる。 ノード分類、ノードクラスタリング、リンク予測タスクに関する大規模な実験結果から、HAGNNは既存のモードよりも優れており、HAGNNの有効性が示されている。

関連論文リスト

• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• Heterogeneous Graph Tree Networks [8.50892442127182]
  異種グラフニューラルネットワーク(HGNN)は近年,研究の関心が高まっている。 1つのクラスはメタパスベースのHGNNで、メタパスをハンドクラフトするためにドメイン知識を必要とするか、メタパスを自動的に構築するために大量の時間とメモリを消費する。 HetGTCN(Heterogeneous Graph Tree Convolutional Network)とHetGTAN(Hetogeneous Graph Tree Attention Network)の2つのモデルを提案する。
  論文  参考訳（メタデータ） (2022-09-01T17:22:01Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Meta-Aggregator: Learning to Aggregate for 1-bit Graph Neural Networks [127.32203532517953]
  我々は,GNNパラメータとグラフ特徴をバイナライズするバニラ1ビットフレームワークを開発した。 軽量なアーキテクチャにもかかわらず、我々はこのバニラフレームワークがグラフトポロジを区別するのに十分な差別力に悩まされていることを観察した。 この発見は、バニラ二項化GNNの表現力を向上させるためにメタアグリゲータを考案する動機となる。
  論文  参考訳（メタデータ） (2021-09-27T08:50:37Z)
• HMSG: Heterogeneous Graph Neural Network based on Metapath Subgraph Learning [2.096172374930129]
  我々はHMSGという新しい異種グラフニューラルネットワークモデルを提案する。 異種グラフを複数の部分グラフに分解する。 各サブグラフは、特定の意味情報と構造情報を関連付ける。 タイプ固有の属性変換を通じて、ノード属性を異なるタイプのノード間で転送することもできる。
  論文  参考訳（メタデータ） (2021-09-07T05:02:59Z)
• On Local Aggregation in Heterophilic Graphs [11.100606980915144]
  我々は,従来のGNNと多層パーセプトロンを適切に調整した手法が,ヘテロ親和性グラフ上の最近の長距離アグリゲーション手法の精度に適合しているか,あるいは超越しているかを示す。 本稿では,新しい情報理論グラフ計量であるNativeborhood Information Content(NIC)メトリックを提案する。
  論文  参考訳（メタデータ） (2021-06-06T19:12:31Z)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)
• MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding [36.6390478350677]
  本稿では,Metapath Aggregated Graph Neural Network (MAGNN) と呼ばれる新しいモデルを提案する。 MAGNNは、入力ノード属性をカプセル化するノードコンテンツ変換、中間的なセマンティックノードを組み込むMetapath内アグリゲーション、複数のメタパスからのメッセージを統合するMetapath間アグリゲーションという3つの主要なコンポーネントを使用している。 実験により、MAGNNは最先端のベースラインよりも正確な予測結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-05T08:21:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。