GLANCE：带集群增强的异质图表示学习图形逻辑注意力网络-计算机科学-机器学习-图神经网络-异质图.pdfVIP

GLANCE：带集群增强的异质图表示学习图形逻辑

注意力网络

ZhongtianSun,AnoushkaHarit,

AlexandraCristea,ChristlA.

Donnelly,andPietroLiò

UniversityofKent,UK

UniversityofCambridge,UK

DurhamUniversity,UK

本UniversityofOxford,UK

译

中摘要图神经网络（GNNs）在从图形结构数据中学习方面表现出显著的成

1功，但在异质图上往往表现不佳，在这种情况下，相连节点的特征或类别

v标签存在差异。这一限制源于不加区分地聚合邻居信息和未能充分融入更

1高阶的结构模式。为了解决这些挑战，我们提出了一瞥（具有聚类增强功

2

5能的图逻辑注意力网络），一种融合了基于逻辑引导推理、动态图优化和自

8适应聚类以提升图表示学习的新框架。GLANCE结合了一个用于生成可

1

.解释且有组织嵌入的逻辑层，一个多头注意力基础边修剪机制用于去除图

7形结构中的噪声，以及用于捕捉全局模式的聚类机制。在包括康奈尔大学、

0

5德克萨斯大学和威斯康星大学等基准数据集上的实验结果表明，GLANCE

2达到了具有竞争力的表现，并为异质图场景提供了稳健且可解释的解决方

:

v案。所提出的框架轻量级、适应性强并且特别适合应对异质图挑战。

i

x

r

aKeywords:图表示学习·逻辑网络·异质性

1介绍

图神经网络（GNNs）已成为分析图形结构数据的重要工具，其应用范

围涵盖推荐系统、金融、生物医学和社会网络等领域[16,2,12,10]。这些模型

在具有同质性特征的场景中表现出色，其中相连节点共享相似特征或标签

[4]。然而，许多现实世界中的图形，如蛋白质相互作用网络和引用图，表现

出异质性现象，即相连节点在属性或类标签上存在显著差异。传统GNN在

这种情况下往往难以发挥作用，因为它们的消息传递机制可能会传播无关甚

至误导的信息，从而降低其有效性[14,17,11]。

2Z.Sunetal.

最近的研究介绍了一些方法来应对这些挑战，包括混合消息传递框架

[5]、自适应边剪枝[14]和对比邻域分离[15]。尽管这些方法在异质图上的表

现有所提升，但它们往往严重依赖节点级特征聚合，忽视了高阶推理、结构

优化或全局图洞察的潜力。这些限制突显出需要一个更稳健的框架，该框架

包含可解释性和适应性以更好地捕捉异质图中固有的复杂关系。为此，我们

提出了一瞥（带聚类增强的图逻辑注意力网络），这是一个旨在解决异质图

学习挑战的新框架。GLANCE集成了基于逻辑的推理、驱动图优化的关注

机制和感知聚类特征增强于一体化框架中。通过结合这些元素，GLANCE