admin管理员组

文章数量:1130349


北邮石川老师团队的论文，又是有关异构图的。
本文指出，异构图在现实中不可避免地是有噪声的或不完整的，因此，对于hgnn来说，学习异构图结构而不是仅仅依赖原始图结构是至关重要的。本文首次尝试学习最优的异构图结构用于hgnn，提出了一个新的框架HGSL，该框架将异构图结构学习和GNN参数学习联合起来进行分类，在每个生成的关系子图中，HGSL不仅通过生成特征相似图来考虑特征相似性，还通过生成特征传播图和语义图来考虑特征和语义之间复杂的异构交互。然后，将这些图融合成一个学习过的异构图，并与GNN一起朝着分类目标进行优化。本文的重点就是三种不同的图，即特征相似图、特征传播图和语义图的学习。

Preliminaries

首先，看本文用到的符号定义。

  1. Definition 1. Heterogeneous Graph 异构图被定义为G=(V,E,F)G=(V,E,F)


北邮石川老师团队的论文，又是有关异构图的。
本文指出，异构图在现实中不可避免地是有噪声的或不完整的，因此，对于hgnn来说，学习异构图结构而不是仅仅依赖原始图结构是至关重要的。本文首次尝试学习最优的异构图结构用于hgnn，提出了一个新的框架HGSL，该框架将异构图结构学习和GNN参数学习联合起来进行分类，在每个生成的关系子图中，HGSL不仅通过生成特征相似图来考虑特征相似性，还通过生成特征传播图和语义图来考虑特征和语义之间复杂的异构交互。然后，将这些图融合成一个学习过的异构图，并与GNN一起朝着分类目标进行优化。本文的重点就是三种不同的图，即特征相似图、特征传播图和语义图的学习。

Preliminaries

首先，看本文用到的符号定义。

  1. Definition 1. Heterogeneous Graph 异构图被定义为G=(V,E,F)G=(V,E,F)

本文标签： HeterogeneousGraphGNNStructureNetworks

版权声明：本文标题：GNN 2021(八) Heterogeneous Graph Structure Learning for Graph Neural Networks，AAAI 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://it.en369.cn/jiaocheng/1755048627a2760003.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。