HHGT: 分层异构图变换器用于异构图表示学习
内容提要
本文介绍了多种异构图神经网络模型，如异构图转换器（HGT）、超图学习框架（HyperGT）和拓扑引导的超图变换网络。这些模型通过不同技术优化节点表示学习，提升了节点分类和轨迹预测等任务的性能，实验结果表明它们优于现有方法。
延伸解读
模型演进：从HGT到GC-HGNN
文章梳理了异构图神经网络的发展脉络：从2020年的HGT开始，通过节点和边类型参数化处理异构性；随后HyperGT、拓扑引导超图变换网络等引入超图结构；AGHINT关注属性差异；GTNs同时学习表示和生成图结构；HDGT面向自动驾驶轨迹预测；HSGT实现层级可扩展；SeHGNN追求简单高效；HetTree构建语义树；GC-HGNN结合自监督学习。这些模型在节点分类、链接预测和轨迹预测等任务上不断刷新性能。
性能提升与任务覆盖
实验结果显示，这些模型在各自任务上均优于现有方法。HGT在多个下游任务中比最先进的HNN基线提升9%至21%；HyperGT在超图节点分类中建立新基准；AGHINT、GTNs、SeHGNN、GC-HGNN等在节点分类或链接预测中超越基线；HDGT在INTERACTION和Waymo轨迹预测挑战中取得新最优结果。这表明异构图变换器能有效处理复杂关系，并在实际应用中展现潜力。
技术趋势：效率与结构感知
近期研究强调效率与结构感知。SeHGNN采用轻量级聚合器和Transformer语义融合，实现高准确性和快速训练；HSGT通过层次结构和采样训练高效更新多尺度信息；拓扑引导超图变换网络设计结构感知自注意机制，从语义和结构角度发现重要节点和超边；HetTree利用语义树和子树注意捕捉元路径层次关系。这些方法在保持性能的同时，注重计算效率和结构信息的利用。
Q&A
异构图转换器（HGT）是如何实现异构性的？
HGT通过设计基于节点类型和边类型的参数来实现异构性，并引入相对时间编码技术和异构迷你批图采样算法。
超图学习框架（HyperGT）在节点分类任务中表现如何？
HyperGT在超图节点分类任务中建立了新的基准水平，性能超过了现有方法。
拓扑引导的超图变换网络的创新点是什么？
该网络通过保留结构本质学习高阶关系，并提出结构感知的自注意机制，融入节点的拓扑和空间信息。
AGHINT模型如何改进信息传递机制？
AGHINT通过整合高阶相似邻居特征并修改节点之间的信息传递机制来更有效地聚合邻居节点信息。
图转换器网络（GTNs）有什么优势？
GTNs能够在图上学习节点表示并生成新图结构，实验表明其在节点分类任务中表现最佳。
异构驾驶图变换器（HDGT）在轨迹预测任务中取得了什么成果？
HDGT在INTERACTION Prediction Challenge和Waymo Open Motion Challenge中取得了新的最优结果。
