HeteGraph-Mamba: Heterogeneous Graph Learning via Selective State Space Model

我们提出了一种异构图蟒网络（HGMN），作为利用选择性状态空间模型（SSSM）进行异构图学习的第一次尝试。与现有文献相比，我们的HGMN克服了两个主要挑战：（i）捕捉异构节点之间的长距离依赖关系，以及（ii）将SSSM适应于异构图数据。我们的关键贡献是提出了一种通用的图形架构，可以解决实际场景中的异构节点，并具有高效的流程。在方法上，我们引入了一种两级高效的标记化方法，首先捕捉相同节点类型内的长距离依赖关系，然后跨越所有节点类型。在实证方面，我们在异构基准测试中比较了我们的框架和19种最先进的方法。广泛的比较表明，我们的框架在准确性和效率两个维度上都优于其他方法。

本论文试图解决如何利用选择性状态空间模型（SSSMs）进行异构图学习的问题。与现有文献相比，该论文克服了两个主要挑战：捕捉异构节点之间的长程依赖关系和将SSSMs适应于异构图数据。

该论文的关键思路是提出了一种异构图架构，可以在真实场景中解决异构节点的问题，并采用了高效的流程。论文还引入了一种两级有效的标记化方法，首先捕捉相同节点类型内的长程依赖关系，然后才是所有节点类型之间的依赖关系。

论文在异构基准测试上进行了19种现有方法的比较，结果表明，该框架在准确性和效率两个维度上均优于其他方法。

最近在这个领域中，还有一些相关研究，如《Heterogeneous Graph Attention Network》、《Variational Heterogeneous Graph Attention Network》等。