BG-HGNN: 面向可扩展和高效的异构图神经网络
原文中文，约1600字，阅读约需4分钟。
📝
内容提要
本文提出了一种名为SeHGNN的异构图神经网络，结合轻量级聚合器和Transformer模块，提升了预测准确性和训练速度。同时复现了12个HGNN模型，发现简单的同质GNN被低估，GAT在适当条件下表现优异。构建了异质图基准HGB，以促进HGNN研究的鲁棒性和可重复性。
🔎
延伸解读
SeHGNN 的设计思路与效率优势
SeHGNN 通过轻量级平均聚合器预计算邻居聚合来捕获结构信息，并利用长元路径和 Transformer 语义融合模块处理语义信息。这种设计使其网络结构简单，同时实现了高预测准确性和快速训练速度，为异构图神经网络提供了一种高效解决方案。
复现研究揭示的模型评估问题
对12个异质图神经网络模型的系统复现发现，由于不当的设置，简单的同质GNN被大大低估，而GAT在适当输入下能与或胜过所有现有HGNN。这表明模型评估需谨慎，基准设置对结论有重要影响。
HGB 基准对研究可重复性的促进
异质图基准HGB包含11个数据集和三个任务，规范了数据分割、特征处理和性能评估流程。它旨在促进鲁棒且可重复的HGNN研究，并提供了简单但强大的基准Simple-HGN，加速未来模型发展。
❓
Q&A
SeHGNN的主要特点是什么？
SeHGNN结合了轻量级聚合器和Transformer模块，具有简单的网络结构、高预测准确性和快速的训练速度。
为什么简单的同质GNN被低估？
研究发现由于不当的设置，简单的同质GNN在性能评估中被大大低估。
GAT在HGNN中的表现如何？
在适当的输入条件下，GAT可以在多种情况下与或胜过所有现有的HGNN。
HGB基准的目的是什么？
HGB基准旨在促进HGNN研究的鲁棒性和可重复性，规范数据分割、特征处理和性能评估流程。
SeHGNN与其他HGNN模型相比有什么优势？
SeHGNN在结构简单的同时，提供了高预测准确性和快速的训练速度，明显优于先前的模型。
如何提高HGNN的研究效率？
通过构建HGB基准和复现多个HGNN模型，可以提高HGNN研究的效率和可靠性。
🏷️
