论文题目: Graph Transformer Network

论文摘要:

图神经网络(GNNs)在图表示学习中得到了广泛的应用,实现了节点分类和连接预测等任务的最佳性能。然而,大多数现有的GNNs都被设计为在固定(fix)和同质(homogeneous)的图上学习节点表示。当在不确定的图或由各种类型的节点和边组成的异构(heterogeneous)图上学习表示时,这些限制尤其成问题。本文提出了能够生成新的图结构的图变换网络(Graph Transformer Networks, GTNs),它涉及在原始图上识别未连接节点之间的有用连接,同时以端到端方式学习新图上的有效节点表示。图变换层是GTNs的核心层,学习边类型和复合关系的软选择,以产生有用的多跳连接,即所谓的元路径。我们的实验表明,GTNs基于数据和任务,在没有领域知识(domain knowledge)的情况下学习新的图结构,并通过在新图上的卷积产生强大的节点表示。在没有域特定的图预处理的情况下,GTNs在所有三个benchmark节点分类任务中实现了对比需要领域知识的预定义的元路径的现有技术方法的最佳性能。本文提出了能够生成新的图结构的图变换网络(Graph Transformer Networks, GTNs),该方法将异构图转化为由任意边类型和任意长度的元路径定义的多个新图,同时通过对学习到的元路径图进行卷积学习节点表示。GTN打破了手工构建元路径的现状,构建了自动化的图生成及表示学习模式。

作者简介:

Raehyun Kim目前在高丽大学计算机科学与工程学院,研究领域为股票市场预测,推荐系统,决策支持系统。

Hyunwoo J. Kim目前在高丽大学计算机科学与工程学院助理教授,研究兴趣为机器学习、计算机视觉、数值优化、多方面统计数据、深度学习。

论文下载链接: https://arxiv.org/pdf/1911.06455.pdf

成为VIP会员查看完整内容
103

相关内容

【ICLR2020-】基于记忆的图网络,MEMORY-BASED GRAPH NETWORKS
专知会员服务
102+阅读 · 2020年2月22日
图神经网络(Graph Neural Networks,GNN)综述
极市平台
86+阅读 · 2019年11月27日
Graph Neural Network(GNN)最全资源整理分享
深度学习与NLP
334+阅读 · 2019年7月9日
超越标准 GNN !DeepMind、谷歌提出图匹配网络| ICML最新论文
黑龙江大学自然语言处理实验室
7+阅读 · 2019年5月7日
HAN:基于双层注意力机制的异质图深度神经网络
PaperWeekly
35+阅读 · 2019年4月23日
大讲堂 | 基于小波变换的图卷积神经网络
AI研习社
12+阅读 · 2019年1月3日
论文浅尝 | 用图网络做小样本学习
开放知识图谱
58+阅读 · 2018年6月30日
图注意力网络
科技创新与创业
32+阅读 · 2017年11月22日
基于注意力机制的图卷积网络
科技创新与创业
71+阅读 · 2017年11月8日
Heterogeneous Graph Transformer
Arxiv
23+阅读 · 2020年3月3日
Arxiv
10+阅读 · 2019年11月14日
Arxiv
5+阅读 · 2019年7月11日
Arxiv
6+阅读 · 2019年4月8日
Deep Graph Infomax
Arxiv
12+阅读 · 2018年12月21日
Arxiv
17+阅读 · 2018年10月24日
VIP会员
相关资讯
图神经网络(Graph Neural Networks,GNN)综述
极市平台
86+阅读 · 2019年11月27日
Graph Neural Network(GNN)最全资源整理分享
深度学习与NLP
334+阅读 · 2019年7月9日
超越标准 GNN !DeepMind、谷歌提出图匹配网络| ICML最新论文
黑龙江大学自然语言处理实验室
7+阅读 · 2019年5月7日
HAN:基于双层注意力机制的异质图深度神经网络
PaperWeekly
35+阅读 · 2019年4月23日
大讲堂 | 基于小波变换的图卷积神经网络
AI研习社
12+阅读 · 2019年1月3日
论文浅尝 | 用图网络做小样本学习
开放知识图谱
58+阅读 · 2018年6月30日
图注意力网络
科技创新与创业
32+阅读 · 2017年11月22日
基于注意力机制的图卷积网络
科技创新与创业
71+阅读 · 2017年11月8日
相关论文
Heterogeneous Graph Transformer
Arxiv
23+阅读 · 2020年3月3日
Arxiv
10+阅读 · 2019年11月14日
Arxiv
5+阅读 · 2019年7月11日
Arxiv
6+阅读 · 2019年4月8日
Deep Graph Infomax
Arxiv
12+阅读 · 2018年12月21日
Arxiv
17+阅读 · 2018年10月24日
微信扫码咨询专知VIP会员