論文の概要: Spiking Heterogeneous Graph Attention Networks

• arxiv url: http://arxiv.org/abs/2601.02401v1
• Date: Wed, 31 Dec 2025 08:17:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.630385
• Title: Spiking Heterogeneous Graph Attention Networks
• Title（参考訳）: スパイキング不均一グラフ注意ネットワーク
• Authors: Buqing Cao, Qian Peng, Xiang Xie, Liang Chen, Min Shi, Jianxun Liu,
• Abstract要約: 本稿では,Spyking Heterogeneous Graph Attention Networks (SpikingHAN)を提案する。 SpikingHANは、共有パラメータを持つ単一層グラフ畳み込みを使用して、メタパスベースの隣の情報を集約する。 次に、異なるメタパスの重要性を捉え、セマンティックアグリゲーションを実行するために、セマンティックレベルのアテンションメカニズムを使用する。
• 参考スコア（独自算出の注目度）: 17.094622281945853
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world graphs or networks are usually heterogeneous, involving multiple types of nodes and relationships. Heterogeneous graph neural networks (HGNNs) can effectively handle these diverse nodes and edges, capturing heterogeneous information within the graph, thus exhibiting outstanding performance. However, most methods of HGNNs usually involve complex structural designs, leading to problems such as high memory usage, long inference time, and extensive consumption of computing resources. These limitations pose certain challenges for the practical application of HGNNs, especially for resource-constrained devices. To mitigate this issue, we propose the Spiking Heterogeneous Graph Attention Networks (SpikingHAN), which incorporates the brain-inspired and energy-saving properties of Spiking Neural Networks (SNNs) into heterogeneous graph learning to reduce the computing cost without compromising the performance. Specifically, SpikingHAN aggregates metapath-based neighbor information using a single-layer graph convolution with shared parameters. It then employs a semantic-level attention mechanism to capture the importance of different meta-paths and performs semantic aggregation. Finally, it encodes the heterogeneous information into a spike sequence through SNNs, simulating bioinformatic processing to derive a binarized 1-bit representation of the heterogeneous graph. Comprehensive experimental results from three real-world heterogeneous graph datasets show that SpikingHAN delivers competitive node classification performance. It achieves this with fewer parameters, quicker inference, reduced memory usage, and lower energy consumption. Code is available at https://github.com/QianPeng369/SpikingHAN.
• Abstract（参考訳）: 実世界のグラフやネットワークは通常異種であり、複数の種類のノードと関係を持つ。 不均一グラフニューラルネットワーク(HGNN)は、これらの多様なノードとエッジを効果的に処理し、グラフ内の異種情報をキャプチャし、優れた性能を示す。 しかしながら、HGNNのほとんどの手法は複雑な構造設計を伴い、高いメモリ使用率、長い推論時間、計算資源の広範な消費といった問題を引き起こしている。 これらの制限は、特にリソース制約のあるデバイスにおいて、HGNNの実用化にある種の課題をもたらす。 この問題を緩和するために、スパイキングニューラルネットワーク(SNN)の脳にインスパイアされた省エネルギー性をヘテロジニアスグラフ学習に組み込んだスパイキング異種グラフ注意ネットワーク(SpikingHAN)を提案し、性能を損なうことなく計算コストを削減する。 具体的には、SpykingHANは、共有パラメータを持つ単一層グラフ畳み込みを用いて、メタパスベースの隣り合う情報を集約する。 次に、異なるメタパスの重要性を捉え、セマンティックアグリゲーションを実行するために、セマンティックレベルのアテンションメカニズムを使用する。 最後に、SNNを通して異種情報をスパイクシーケンスにエンコードし、生体情報処理をシミュレートし、異種グラフの2進1ビット表現を導出する。 3つの実世界の異種グラフデータセットによる総合的な実験結果は、SpikeHANが競合ノード分類性能を提供することを示している。 パラメータの削減、推論の高速化、メモリ使用量の削減、エネルギー消費量の削減などによって実現されている。 コードはhttps://github.com/QianPeng369/SpikingHANで入手できる。

関連論文リスト

• Leveraging Personalized PageRank and Higher-Order Topological Structures for Heterophily Mitigation in Graph Neural Networks [18.17555068599805]
  グラフニューラルネットワーク(GNN)はノード分類タスクに優れるが、接続ノードが同様のラベルを共有するホモフィリーを仮定することが多い。 ヘテロ親和グラフの既存のモデルは、主に高階構造からのマルチスケール情報を見渡すペアワイズ関係に依存している。 我々は高階パーソナライズされたPageRankとグラフニューラルネットワークを組み合わせた新しいモデルHPGNNを提案する。
  論文  参考訳（メタデータ） (2025-07-22T08:28:18Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• 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)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• 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)

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。