Framework HGUL per l'apprendimento robusto su grafi eterogenei eterofili
Un nuovo studio da arXiv (2604.27387) affronta l'apprendimento robusto di rappresentazioni su grafi eterogenei con eterofilia, dove nodi di diversi tipi ed etichette interagiscono in modo non omofilo. Gli autori identificano il rumore strutturale come una sfida critica che degrada le prestazioni del modello. Propongono HGUL (Heterogeneous Graph Unified Learning), un framework unificato con tre moduli: un modulo di costruzione del grafo basato su kNN per recuperare vicinati locali affidabili, un modulo di apprendimento della struttura del grafo per raffinare adattivamente l'adiacenza filtrando gli archi rumorosi, e un modulo di apprendimento dell'affinità eterogenea. Il framework gestisce congiuntamente l'eterofilia e le strutture grafiche rumorose. La ricerca è pubblicata su arXiv con ID 2604.27387.
Fatti principali
- I grafi eterogenei con eterofilia modellano sistemi reali complessi.
- Il rumore strutturale degrada significativamente le prestazioni del modello.
- Il framework HGUL è proposto per gestire l'eterofilia e le strutture grafiche rumorose.
- Tre moduli: costruzione del grafo basata su kNN, apprendimento della struttura del grafo, apprendimento dell'affinità eterogenea.
- Il modulo kNN recupera vicinati locali affidabili.
- Il modulo di apprendimento della struttura del grafo filtra gli archi rumorosi.
- Pubblicato su arXiv con ID 2604.27387.
- L'apprendimento robusto di rappresentazioni per tali grafi era in gran parte inesplorato.
Entità
Istituzioni
- arXiv