Einfache und effiziente heterogene Graph-Neuronale Netzwerke

Heterogene Graph Neural Networks (HGNNs) verfügen über eine starke Fähigkeit, reichhaltige strukturelle und semantische Informationen eines heterogenen Graphen in Knotendarstellungen zu kodieren. Bestehende HGNNs übernehmen viele Mechanismen von Graph Neural Networks (GNNs) für homogene Graphen, insbesondere den Aufmerksamkeitsmechanismus und die mehrschichtige Struktur. Diese Mechanismen führen zu einer übermäßigen Komplexität, aber selten werden Studien durchgeführt, um ihre tatsächliche Effektivität auf heterogenen Graphen zu untersuchen. In dieser Arbeit wird eine detaillierte und gründliche Untersuchung dieser Mechanismen durchgeführt und das Simple and Efficient Heterogeneous Graph Neural Network (SeHGNN) vorgeschlagen. Um strukturelle Informationen leichter erfassen zu können, berechnet SeHGNN die Nachbarschaftsaggregation vorab mit einem leichten Mittelwertaggregator, der die Komplexität reduziert, indem er übermäßige Nachbarschaftsaufmerksamkeit entfernt und wiederholte Nachbarschaftsaggregation in jeder Trainingsphase vermeidet. Um semantische Informationen besser auszuwerten, verwendet SeHGNN eine einstufige Struktur mit langen Metapfaden, um das Rezeptivfeld zu erweitern, sowie ein transformerbasiertes Modul zur semantischen Fusion, um Merkmale aus verschiedenen Metapfaden zu vereinen. Als Ergebnis zeigt SeHGNN die Eigenschaften einer einfachen Netzwerkstruktur, hoher Vorhersagegenauigkeit und schneller Trainingsgeschwindigkeit. Ausführliche Experimente an fünf realweltlichen heterogenen Graphen belegen den Vorteil von SeHGNN gegenüber dem Stand der Technik sowohl in Bezug auf Genauigkeit als auch auf Trainingsgeschwindigkeit.