GRAF: 图注意力融合网络
摘要：多种类型的节点和边组成的实际网络数量庞大。图神经网络（GNN）作为一种深度学习框架，用于为下游机器学习任务生成节点和图嵌入。然而，流行的基于GNN的架构仅适用于单一的同质网络。使其能够在多个网络上工作会带来额外的挑战，因为网络的异质性和现有关联的多样性。在本研究中，我们提出了一种名为GRAF（Graph Attention-aware Fusion Networks）的计算方法，利用基于GNN的方法在多个网络上进行操作，通过注意机制和网络融合。通过基于注意力的邻居聚合，GRAF学习每个节点的邻居的重要性（称为节点级别的注意力），然后学习关联的重要性（称为关联级别的注意力）。然后，GRAF通过学习的节点级别和关联级别的注意力对每个边进行网络融合步骤加权。考虑到融合网络可能是一个高度密集的网络，具有许多弱边，这取决于给定的输入网络，我们在边的权重方面包含了一个边消除步骤。最后，GRAF在融合网络上利用图卷积网络（GCN）并将节点特征结合到图结构化数据中，进行节点分类或类似下游任务。为了证明GRAF的普适性，我们将其应用于来自不同领域的四个数据集，并观察到GRAF在每个节点分类任务上优于或与基线方法、最先进的方法以及其自身的变体相当。我们的工具的源代码可在https://github.com/bozdaglab/GRAF上公开获取。
作者：Ziynet Nesibe Kesimoglu, Serdar Bozdag
论文ID：2303.16781
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-21