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

要約

【タイトル】異種情報ネットワークにおけるメタ構造の見直し：メタマルチグラフサーチ
【要約】
– メタ構造は、異種情報ネットワーク（HIN）において情報を集約する際にどのサブセットの隣人を定義するために広く使用されている。
– メタパスやメタグラフなどの既存のメタ構造を調査し、手動で固定パターンで設計されているため、多様なHINでの豊富な意味情報を表現するには不十分であることが明らかになった。
– その限界を反映して、メタグラフのより表現力豊かで柔軟な一般化概念としてメタマルチグラフを定義し、特定のHINとタスクに自動的に最適化する安定した微分可能なサーチ方法を提案した。
– メタマルチグラフの柔軟性は冗長なメッセージを伝播する可能性があるため、複雑から簡潔へメッセージを伝播するC2Cメタマルチグラフを導入した。
– また、微分可能なサーチは通常、不安定なサーチやサーチと評価の間のメタ構造の大きなギャップに苦しんでいることが観察されたため、進行的サーチアルゴリズムを提案した。
– 6つの中規模なベンチマークデータセットと1つの大規模なベンチマークデータセットで、ノード分類と推薦の2つの代表的なタスクで広範な実験が行われた。実証結果は、モデルが最新の異種グラフニューラルネットワークを凌駕する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ることができることを示しました。

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, OpenAI