BG-HGNN: Toward Scalable and Efficient Heterogeneous Graph Neural Network

许多计算机视觉和机器学习问题被建模为在异构图上的学习任务，其中包括来自不同类型节点和边的各种关系。异构图神经网络（HGNN）是一种专为异构图设计的有前途的神经模型类。现有的HGNN建立在传统的GNN之上，采用不同的参数空间来建模各种关系。然而，现有HGNN的实际有效性通常仅限于具有少量关系类型的简单异构图。本文首先强调并证明，现有HGNN采用的标准方法不可避免地导致参数爆炸和关系崩溃，使得HGNN在处理具有大量关系类型的复杂异构图时效果不佳或不切实际。为了解决这个问题，我们引入了一个新的框架，Blend&Grind-HGNN（BG-HGNN），通过将不同的关系谨慎地集成到一个统一的特征空间中，使其可由单组参数进行管理，从而有效地应对这些挑战。这导致了一种精细的HGNN方法，更有效地从异构图中学习，特别是当关系数量增加时。我们的实证研究表明，BG-HGNN在参数效率（高达28.96倍）、训练吞吐量（高达8.12倍）和准确性（高达1.07倍）方面显著超过现有的HGNN。

本论文旨在解决现有异构图神经网络（HGNNs）在处理复杂异构图时参数爆炸和关系崩溃的问题，提出了一种新的框架BG-HGNN。

BG-HGNN通过将不同的关系融合到一个统一的特征空间中，从而有效地解决了参数爆炸和关系崩溃的问题。

论文通过实验表明，BG-HGNN在参数效率、训练吞吐量和准确性方面均优于现有的HGNNs。

在这个领域中，最近的相关研究包括：HAN、MAGNN、RGCN等。