Meta-multigraph Search: Rethinking Meta-structure on Heterogeneous Information Networks

要約

メタ構造は、異種情報ネットワーク (HIN) 内の情報を集約する隣接ノードのサブセットを定義するために広く使用されています。
この研究では、メタパスやメタグラフを含む既存のメタ構造を調査し、それらが最初は固定パターンで手動で設計されており、したがって多様な HIN 上のさまざまな豊富な意味情報をエンコードするには不十分であることを観察しました。
それらの限界についての考察を通じて、我々は、メタグラフのより表現力豊かで柔軟な一般化としてメタマルチグラフと呼ばれる新しい概念を定義し、特定の HIN とタスクに対してメタマルチグラフを自動的に最適化する安定した微分可能な検索手法を提案します。
メタマルチグラフの柔軟性により冗長なメッセージが伝播する可能性があるため、メタマルチグラフの深さに沿ってメッセージを複雑から簡潔に伝播する複雑から簡潔へ (C2C) メタマルチグラフをさらに導入します。
さらに、微分可能な検索は通常、不安定な検索と、検索と評価におけるメタ構造間の大きなギャップに悩まされることが観察されています。
この目的を達成するために、暗黙的に検索空間を狭めて検索の安定性を向上させ、不一致を軽減するプログレッシブ検索アルゴリズムを提案します。
ノードの分類と推奨という 2 つの代表的なタスクにわたって、6 つの中規模ベンチマーク データセットと 1 つの大規模ベンチマーク データセットに対して広範な実験が実行されます。
経験的な結果は、私たちの検索方法が表現力豊かなメタマルチグラフと C2C メタマルチグラフを自動的に見つけられることを示しており、私たちのモデルが最先端の異種グラフ ニューラル ネットワークよりも優れたパフォーマンスを発揮できることを示しています。

要約(オリジナル)

Meta-structures are widely used to define which subset of neighbors to aggregate information in heterogeneous information networks (HINs). In this work, we investigate existing meta-structures, including meta-path and meta-graph, and observe that they are initially designed manually with fixed patterns and hence are insufficient to encode various rich semantic information on diverse HINs. Through reflection on their limitation, we define a new concept called meta-multigraph as a more expressive and flexible generalization of meta-graph, and propose a stable differentiable search method to automatically optimize the meta-multigraph for specific HINs and tasks. As the flexibility of meta-multigraphs may propagate redundant messages, we further introduce a complex-to-concise (C2C) meta-multigraph that propagates messages from complex to concise along the depth of meta-multigraph. Moreover, we observe that the differentiable search typically suffers from unstable search and a significant gap between the meta-structures in search and evaluation. To this end, we propose a progressive search algorithm by implicitly narrowing the search space to improve search stability and reduce inconsistency. Extensive experiments are conducted on six medium-scale benchmark datasets and one large-scale benchmark dataset over two representative tasks, i.e., node classification and recommendation. Empirical results demonstrate that our search methods can automatically find expressive meta-multigraphs and C2C meta-multigraphs, enabling our model to outperform state-of-the-art heterogeneous graph neural networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google