【论文标题】SCALABLE GRAPH NEURAL NETWORKS FOR HETEROGENEOUS GRAPHS 【作者团队】Lingfan Yu，Jiajun Shen，Jinyang Li，Adam Lerer 【发表时间】2020/11/19 【论文链接】https://arxiv.org/pdf/2011.09679v1.pdf 【论文代码】https://github.com/facebookresearch/NARS 【推荐理由】研究是否邻域平均方法可以应用于异质图(HGs)，提出了对关系子图(NARS)进行邻居平均计算的方法。 图神经网络（GNNs）是一类常用的参数化学习模型。最近的研究表明，GNNs主要使用图来进行特征平滑，并且通过简单地操作图平滑的节点特征，而不是使用具有挑战性的端到端学习特征层次结构来显示基准任务的竞争性结果。在这项工作中，我们询问这些结果是否可以扩展到异构图，异构图编码不同实体之间的多种类型的关系。我们提出了关系子图上的邻域平均（NARS），它针对关系的“元图”的随机抽样子图训练一个分类器。我们描述了允许这些节点特征集在训练和推理时以内存高效的方式计算的优化。NARS在几个基准数据集上实现了一个新的最先进的精度，优于更昂贵的基于GNN的方法。

内容中包含的图片若涉及版权问题，请及时与我们联系删除