BG-HGNN: 面向可扩展和高效的异构图神经网络
原文中文,约300字,阅读约需1分钟。发表于: 。本文介绍了一种新的框架,Blend&Grind-HGNN(BG-HGNN),该框架有效地解决了现有 HGNN 在处理不同关系类型复杂异构图时所面临的问题,其通过将不同关系融合到一个统一的特征空间中,在参数可管理的单一参数集的帮助下,得到了一个更高效、更有效地从异构图中学习的 HGNN 方法。实证研究表明,BG-HGNN 在参数效率(高达 28.96 倍)、训练吞吐量(高达 8.12...
通过复现12个异质图神经网络的实验,发现简单的同质GNNs被低估,GAT在适当的输入情况下可以胜过所有HGNNs。构建了异质图基准HGB,包括11个不同数据集,以促进HGNN研究。介绍了一个强大的基准Simple-HGN,在HGB上优于先前模型,加速未来HGNNs的发展。