Apprentissage efficace de graphes hétérogènes par projection aléatoire

Les Réseaux Neuraux sur Graphes Hétérogènes (RGNHs) sont des outils puissants pour l'apprentissage profond sur des graphes hétérogènes. Les RGNHs typiques nécessitent un passage de messages répétitif pendant l'entraînement, ce qui limite leur efficacité pour les grands graphes du monde réel. Les RGNHs pré-récent basés sur la pré-calcul utilisent un passage de messages unique pour transformer un graphe hétérogène en tenseurs réguliers, permettant ainsi une formation par mini-lots efficace. Les RGNHs existants basés sur la pré-calcul peuvent être principalement classés en deux catégories, qui diffèrent par le niveau de perte d'information toléré et par leur efficacité. Nous proposons un RGNH hybride basé sur la pré-calcul, nommé Réseau Nerveux sur Graphe Hétérogène à Projection Aléatoire (RpRGNH), qui combine les avantages de l'efficacité d'un style avec la faible perte d'information de l'autre style. Pour atteindre l'efficacité, le cadre principal de RpRGNH est constitué d'itérations de propagation puis de mise à jour, où nous introduisons une étape de Compression par Projection Aléatoire pour garantir que la complexité ne croît que linéairement. Pour minimiser la perte d'information, nous introduisons un composant de Collecte des Voisins par Relation avec un Schéma de Propagation Pair-Impair, visant à collecter les informations des voisins de manière plus fine. Les résultats expérimentaux montrent que notre approche obtient des performances au niveau de l'état de l'art sur sept jeux de données基准数据集（benchmark datasets）de petite et grande taille tout en étant 230% plus rapide que le meilleur modèle comparatif. De manière surprenante, notre approche non seulement dépasse les modèles comparatifs basés sur le pré-traitement mais aussi surpass les méthodes end-to-end.Note: "基准数据集" is translated as "jeu de données benchmark" in French to maintain the technical term commonly used in the field. However, it is marked with its original term in parentheses for clarity.