Attributed Multi-order Graph Convolutional Network for Heterogeneous Graphs

要約

タイトル: 異種グラフのための属性付き多階層グラフ畳み込みネットワーク

要約:
– 異種グラフニューラルネットワークは、多関係ネットワークから識別的なノードの埋め込みと関係を見つけることを目的としています。
– 異種グラフ学習の課題の1つは、学習可能なメタパスの設計であり、学習された埋め込みの品質に大きな影響を与える。
– そのため、本論文では、自動的に多ホップ近傍を含むメタパスを研究する属性付き多階層グラフ畳み込みネットワーク（AMOGCN）を提案します。
– 提案されたモデルは最初に、手動で設計されたノードの接続から異なる階数の隣接行列を構築します。
– その後、自動的に異なる階数の隣接行列を融合して、完全な多階層隣接行列を構築します。このプロセスは、属性によって評価されるノードの同質性から抽出されたノードのセマンティック情報によって監督されます。
– 最終的に、学習された多階層隣接行列を持つ1層の簡略グラフ畳み込みネットワークを使用します。これは、多層グラフニューラルネットワークでの跨ホップノード情報伝播に相当します。
– 大量の実験により、AMOGCNは最先端の競合手法と比較して優れた半教師付き分類性能を獲得することがわかります。

要約(オリジナル)

Heterogeneous graph neural networks aim to discover discriminative node embeddings and relations from multi-relational networks.One challenge of heterogeneous graph learning is the design of learnable meta-paths, which significantly influences the quality of learned embeddings.Thus, in this paper, we propose an Attributed Multi-Order Graph Convolutional Network (AMOGCN), which automatically studies meta-paths containing multi-hop neighbors from an adaptive aggregation of multi-order adjacency matrices. The proposed model first builds different orders of adjacency matrices from manually designed node connections. After that, an intact multi-order adjacency matrix is attached from the automatic fusion of various orders of adjacency matrices. This process is supervised by the node semantic information, which is extracted from the node homophily evaluated by attributes. Eventually, we utilize a one-layer simplifying graph convolutional network with the learned multi-order adjacency matrix, which is equivalent to the cross-hop node information propagation with multi-layer graph neural networks. Substantial experiments reveal that AMOGCN gains superior semi-supervised classification performance compared with state-of-the-art competitors.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI