Learning on heterogeneous graphs using high-order relations

要約

異種グラフは、異なる頂点と辺のタイプから構成される。異種グラフの学習では、一般に、グラフを均質なネットワークに還元することで異種性を扱うメタパス、ガイドランダムウォーク、キャプチャセマンティクスを用いる。しかし、これらの手法はメタパスの選択に敏感であり、最適でないパスは性能低下を招く。本論文では、メタパスを用いずに異種グラフを学習するためのアプローチを提案する。具体的には、異種グラフを異なる同種の関係型グラフに分解し、それらを結合して高次の関係型表現を作成する。これらの表現は、エッジの異質性を保持し、エッジの方向を保持しながら、複数ホップ離れた異なる頂点タイプの相互作用を捕らえる。さらに、関係型に基づく隣人や関係型自体の重要性を区別するための注意メカニズムで補完される。実験により、我々のモデルは、一般的に研究されている3つの異種グラフデータセットにおける頂点分類タスクにおいて、他の最先端ベースラインを概ね凌駕することが示された。

要約(オリジナル)

A heterogeneous graph consists of different vertices and edges types. Learning on heterogeneous graphs typically employs meta-paths to deal with the heterogeneity by reducing the graph to a homogeneous network, guide random walks or capture semantics. These methods are however sensitive to the choice of meta-paths, with suboptimal paths leading to poor performance. In this paper, we propose an approach for learning on heterogeneous graphs without using meta-paths. Specifically, we decompose a heterogeneous graph into different homogeneous relation-type graphs, which are then combined to create higher-order relation-type representations. These representations preserve the heterogeneity of edges and retain their edge directions while capturing the interaction of different vertex types multiple hops apart. This is then complemented with attention mechanisms to distinguish the importance of the relation-type based neighbors and the relation-types themselves. Experiments demonstrate that our model generally outperforms other state-of-the-art baselines in the vertex classification task on three commonly studied heterogeneous graph datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL