高效异构图学习通过随机投影
原文中文，约300字，阅读约需1分钟。发表于：。我们提出了一种名为 RpHGNN 的混合预计算型异构图神经网络，它将一种风格的效率与另一种风格的低信息损失相结合，通过引入随机投影压缩步骤和关系化邻居收集组件，在七个小型和大型基准数据集上获得了最先进的结果，并比大多数有效的基准方法快 230％。
本文复现了12个异质图神经网络，发现GAT在适当的输入情况下可以在各种情况下与或胜过所有现有的HGNNs。构建了异质图基准(HGB)，其中包括11个不同的数据集，以促进鲁棒且可重复的HGNN研究。介绍了一个简单但非常强大的基准Simple-HGN，它在HGB上明显优于所有先前的模型，以加速未来HGNNs的发展。
