Réseau neuronal graphique hétérogène simple et efficace

Les réseaux neuronaux sur graphes hétérogènes (HGNNs) possèdent une capacité puissante à intégrer des informations structurales et sémantiques riches d'un graphe hétérogène dans les représentations nodales. Les HGNNs existants héritent de nombreux mécanismes des réseaux neuronaux sur graphes homogènes (GNNs), en particulier le mécanisme d'attention et la structure multicouche. Ces mécanismes apportent une complexité excessive, mais peu d'études examinent leur véritable efficacité sur les graphes hétérogènes. Cet article effectue une étude approfondie et détaillée de ces mécanismes et propose un réseau neuronal sur graphe hétérogène simple et efficace (SeHGNN). Pour faciliter la capture des informations structurelles, SeHGNN précalcule l'agrégation des voisins en utilisant un agrégateur moyen léger, ce qui réduit la complexité en éliminant l'attention excessive aux voisins et en évitant l'agrégation répétée des voisins à chaque époque d'entraînement. Pour mieux exploiter les informations sémantiques, SeHGNN adopte une structure monocouche avec de longues métapathes pour étendre le champ récepteur, ainsi qu'un module de fusion sémantique basé sur le transformer pour combiner les caractéristiques provenant de différentes métapathes. En conséquence, SeHGNN présente les caractéristiques d'une structure de réseau simple, d'une haute précision prédictive et d'une vitesse d'entraînement rapide. Des expériences extensives menées sur cinq graphes hétérogènes du monde réel démontrent la supériorité de SeHGNN par rapport aux méthodes de pointe actuelles en termes de précision et de vitesse d'entraînement.