要約
異種グラフニューラルネットワーク（HGNNs）は、異種グラフの豊富な構造情報と意味情報をノード表現に埋め込む強力な能力を持っています。既存のHGNNsは、均一グラフ上のグラフニューラルネットワーク（GNNs）から多くのメカニズムを継承しており、特に注意機構と多層構造がその代表例です。これらのメカニズムは過度の複雑さをもたらしますが、それらが本当に異種グラフに対して効果的なかどうかを検討する研究はほとんどありません。本論文では、これらのメカニズムについて詳細かつ深く研究し、単純で効率的な異種グラフニューラルネットワーク（SeHGNN）を提案します。構造情報を容易に捉えるために、SeHGNNは軽量な平均アグリゲータを使用して事前に近傍集約を計算します。これにより、過剰な近傍注意を削除し、各訓練エポックでの反復的な近傍集約を避けることで複雑さが低減されます。また、意味情報をより効果的に利用するために、SeHGNNは長めのメタパスを持つ単層構造を採用し、異なるメタパスからの特徴量を融合するためのトランスフォーマーベースの意味融合モジュールを使用します。その結果、SeHGNNは単純なネットワーク構造、高い予測精度、および高速な訓練速度という特性を持つようになりました。5つの実世界の異種グラフに対する広範な実験により、SeHGNNが最新技術よりも精度と訓練速度において優れていることが示されています。