Heterogeneous Graph Neural Networks
PulseAugur coverage of Heterogeneous Graph Neural Networks — every cluster mentioning Heterogeneous Graph Neural Networks across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的HGC-RC框架简化了异构图神经网络的训练
研究人员推出了一种新颖的框架HGC-RC，旨在提高在大型数据集上训练异构图神经网络（HGNNs）的效率。现有的图凝结方法通常不适用于异构图，依赖于计算密集型技术。HGC-RC通过轻量级传播生成增强的节点嵌入来解决这个问题。然后，它采用一种混合聚类策略，按类别划分标记节点，并按类型聚类未标记节点以维持关键连接。这种方法允许重建一个紧凑的异构图，在不影响性能的情况下显著加速HGNN训练。
-
新的Blackknife框架实现了对图神经网络的黑盒攻击
研究人员开发了Blackknife，一个旨在对异构图神经网络（HGNNs）执行黑盒对抗性攻击的新颖框架。这种攻击方法在严格的限制下运行，仅需要单跳邻域信息和少量硬标签查询，而无需访问受害者模型的架构、参数、梯度或完整图结构。Blackknife从可观察的邻域构建代理模型，使用连续软权重优化扰动，然后将这些扰动离散化为保留关系的结构重连操作。在ACM、DBLP和IMDB等基准数据集上的实验表明，即使面对基于拓扑的防御策略，Blackkn…
-
调查报告详述用于网络安全异常检测的HGNN
本文调查了异构图神经网络（HGNN）在网络安全异常检测中的应用。文章讨论了传统基于图的方法在处理复杂、不断变化的赛博数据方面的局限性。该调查报告对现有的HGNN方法进行了分类，回顾了它们的应用，并讨论了常用的数据集和评估指标。最后，文章概述了未来研究方向，以提高这些模型的可扩展性和可解释性。
-
新型HiSE模型增强了异构图神经网络的可解释性
研究人员开发了HiSE，一种专为异构图神经网络（HGNNs）设计的新型可解释模型。这种轻量级方法通过反映模型的语义层次结构，解决了在关键应用中解释HGNN决策的挑战。HiSE使用LASSO进行语义视图内的稀疏特征表示，并使用KL散度来统一这些视图的解释，在保真度和效率方面优于现有方法。
-
TypeBandit 方法改进了异构图中的属性补全
研究人员推出了一种名为 TypeBandit 的新方法，旨在改进异构图神经网络中的属性补全。该方法通过认识到不同节点类型提供不同程度的有用信息来解决节点属性缺失的挑战。TypeBandit 优化了这些节点类型的采样资源分配，以增强表示学习。