HHGT: 分层异构图变换器用于异构图表示学习
原文中文，约1700字，阅读约需4分钟。
📝
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。
❓
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。
🏷️
