双曲异质图注意力网络
内容提要
本文探讨了多种图神经网络模型在异构图和双曲空间中的应用，包括超曲线图注意网络、基于分层注意力的异构图神经网络和Hodge-Laplacian异构图注意网络。这些模型在节点分类和图回归等任务中表现优越，展示了处理复杂图形数据的高效性和多功能性。
延伸解读
双曲空间与图注意力的结合
文章指出，双曲空间因其能够自然嵌入层级结构和幂律分布数据，被引入图神经网络。通过gyrovector空间转换特征，并设计基于双曲近似的注意机制，模型在聚合信息时能更好地保持层次关系。这为处理现实世界中常见的树状或层级化图数据提供了新思路，但同时也带来了计算复杂度的挑战。
异构图注意力的演进：从元路径到自动学习
早期异构图神经网络依赖元路径来捕捉语义，如分层注意力机制通过汇总元路径邻居生成节点嵌入。然而，元路径需要领域专家设计。HetSANN和HGT等模型通过类型化参数和相对时间编码，自动处理异构性，减少人工干预。HGT在多个下游任务中性能提升9%至21%，显示了自动学习异构信息的重要性。
高阶交互建模：单纯形与Hodge-Laplacian
传统图神经网络主要关注节点和边，而SGAT和HL-HGAT将图视为单纯复形，显式建模三角形、k-单纯形等高阶结构。HL-HGAT利用Hodge-Laplacian算子编码拓扑性质，并通过多项式逼近降低计算成本。这些方法在节点分类、图回归等任务中表现优越，尤其适合需要捕捉多体交互的场景，如化学和神经科学。
动态与时间图上的双曲模型
针对时间图，HTGN利用超伯利几何的指数能力和层次意识来捕捉时变行为，在时间链接预测任务中优于竞争方法。同时，自我引导随机游走方法将异构网络嵌入双曲空间，无需元路径先验。这些工作表明，双曲几何在动态和异构场景下具有潜力，但如何平衡表达能力和计算效率仍是未来挑战。
Q&A
双曲异质图注意力网络的主要创新是什么？
该网络首次在双曲空间中使用带有注意机制的图神经网络，提出了基于双曲近似的注意机制来聚合特征。
分层注意力机制在异构图神经网络中的作用是什么？
分层注意力机制通过汇总元路径邻居的特征生成节点嵌入，显著提升了节点分类性能。
Hodge-Laplacian异构图注意网络的关键组件有哪些？
HL-HGAT包括HL卷积滤波器、单纯形投影和单纯形注意池运算符，旨在学习k-单纯形间的异构信号表示。
异构图转换器架构（HGT）如何处理动态异构图数据？
HGT通过设计基于节点类型和边类型的参数，以及引入相对时间编码技术和异构迷你批图采样算法来处理动态异构图数据。
自我引导随机游走方法的优势是什么？
该方法将异构网络嵌入到双曲空间中，无需领域特定的先验知识，表现优异于网络重建和连接预测任务。
超伯利模型的时间图网络（HTGN）在时间图嵌入方面的表现如何？
HTGN在多个真实数据集上的实验结果表明，其在时间链接预测任务中的表现优于竞争方法。
