HeterSEED: Nuovo Framework per l'Apprendimento su Grafi Eterogenei in Presenza di Eterofilia
Un nuovo framework chiamato HeterSEED affronta il problema dell'eterofilia nel contesto dell'apprendimento su grafi eterogenei. L'eterofilia si verifica quando nodi connessi possiedono etichette o ruoli semantici diversi, portando le tradizionali reti neurali per grafi a diffondere informazioni inaccurate. HeterSEED separa l'apprendimento delle rappresentazioni in due canali distinti: un canale semantico eterogeneo che cattura la semantica locale basata su tipo e relazione, e un canale di eterofilia sensibile alla struttura che differenzia i vicinati omofili da quelli eterofili attraverso una partizione guidata da pseudo-etichette, utilizzando pesi strutturali basati su metapath per l'aggregazione. Successivamente, un meccanismo di fusione adattivo a livello di nodo combina i risultati. Questa ricerca è disponibile su arXiv con l'identificatore 2605.04594.
Fatti principali
- HeterSEED è un framework di disaccoppiamento semantica-struttura per l'apprendimento su grafi eterogenei in presenza di eterofilia.
- Affronta l'eterofilia, dove nodi connessi hanno etichette o ruoli semantici dissimili.
- Le reti neurali standard per grafi eterogenei possono propagare informazioni fuorvianti in presenza di eterofilia.
- HeterSEED ha due canali: un canale semantico eterogeneo e un canale di eterofilia sensibile alla struttura.
- Il canale di eterofilia utilizza una partizione guidata da pseudo-etichette per separare i vicinati omofili da quelli eterofili.
- L'aggregazione utilizza pesi strutturali basati su metapath.
- Un meccanismo di fusione adattivo a livello di nodo combina gli output di entrambi i canali.
- L'articolo è disponibile su arXiv con ID 2605.04594.
Entità
Istituzioni
- arXiv