Centrala begrepp
LAMP는 다양한 메타 경로 부 그래프를 통합하여 안정적인 메타 경로 관점을 구축하고, 적대적 학습 전략을 통해 메타 경로 관점과 네트워크 스키마 관점 간의 차이를 극대화함으로써 의미 있는 정보를 효과적으로 추출합니다.
Sammanfattning
이 연구는 이종 그래프 신경망 (HGNN) 모델의 메타 경로 조합에 대한 민감성을 실증적으로 분석하였습니다. 기존 HGCL 모델들은 특정 메타 경로 조합에 크게 의존하며, 이는 성능 변동성을 초래합니다. 이를 해결하기 위해 LAMP를 제안합니다.
LAMP는 다음과 같은 핵심 특징을 가집니다:
- 다양한 메타 경로 부 그래프를 통합하여 단일 메타 경로 부 그래프를 생성합니다. 이를 통해 메타 경로 조합 변화에 대한 안정성을 확보합니다.
- 통합된 메타 경로 부 그래프의 밀도 문제를 해결하기 위해 적대적 학습 기반 가중치 가지치기 기법 (LMA)을 도입합니다.
- 네트워크 스키마 관점과 메타 경로 관점 간의 차이를 극대화하는 대조 학습 프레임워크를 활용합니다.
실험 결과, LAMP는 다양한 데이터셋에서 기존 최신 모델들을 뛰어넘는 성능을 보였으며, 메타 경로 조합에 대한 민감성도 크게 개선되었습니다. 이는 LAMP가 이종 그래프 표현 학습에 효과적임을 입증합니다.
Statistik
이종 그래프 데이터셋 DBLP, IMDB, ACM, Freebase의 노드 수, 엣지 수, 노드 유형 수, 엣지 유형 수 등의 통계 정보를 제공합니다.
Citat
"LAMP는 다양한 메타 경로 부 그래프를 통합하여 단일 메타 경로 부 그래프를 생성함으로써 메타 경로 조합 변화에 대한 안정성을 확보합니다."
"LAMP는 적대적 학습 기반 가중치 가지치기 기법 (LMA)을 도입하여 통합된 메타 경로 부 그래프의 밀도 문제를 해결합니다."
"LAMP는 네트워크 스키마 관점과 메타 경로 관점 간의 차이를 극대화하는 대조 학습 프레임워크를 활용합니다."