Neues Verfahren verbessert heterogene Graphen durch Topologie‑Lernen

In der Praxis sind heterogene Graphen oft von Rauschen durchdrungen und besitzen nicht die optimalen Strukturen, die für nachgelagerte Aufgaben benötigt werden. Das führt dazu, dass Graph‑Neural‑Network‑Modelle (GNNs) bei heterogenen Daten schlechter abschneiden als bei homogenen Graphen. Zwar gibt es bereits Methoden des Graph Structure Learning (GSL), die Graphstrukturen und Aufgaben gleichzeitig optimieren, jedoch konzentrieren sich diese fast ausschließlich auf homogene Graphen – das Gebiet der heterogenen GSL bleibt weitgehend unerforscht.

Die Autoren stellen ein neues Framework namens ToGRL (Graph Topology learning Enhanced Heterogeneous Graph Representation Learning) vor, das diese Lücke schließt. ToGRL kombiniert die Lernphase der Graphtopologie mit der Representation Learning‑Phase, um sowohl die Struktur als auch die Knotenrepräsentationen für spezifische Aufgaben zu verbessern.

Der erste Schritt ist ein innovatives GSL‑Modul, das aus einer Rohgraphstruktur task‑relevante Topologie‑Informationen extrahiert und in latente Topologie‑Embeddings überführt. Diese Embeddings werden genutzt, um einen neuen Graphen mit glatten Signalen zu konstruieren. Durch diese zweistufige Vorgehensweise wird die Optimierung der Adjazenzmatrix von der Lernphase der Knotendarstellungen getrennt, was den Speicherverbrauch deutlich reduziert – ein entscheidender Vorteil bei heterogenen Graphen.

Im zweiten Schritt übernimmt ein Representation Learning‑Modul den neu erstellten Graphen als Eingabe und lernt daraus robuste Knotenrepräsentationen. Das Ergebnis ist ein Modell, das sowohl die Qualität der Graphstruktur als auch die Leistungsfähigkeit der Repräsentationen für downstream‑Aufgaben signifikant steigert.

ToGRL eröffnet damit einen vielversprechenden Ansatz, um die Herausforderungen bei heterogenen Graphen zu meistern und die Effektivität von Graph‑Neural‑Network‑Modellen in realen Anwendungen zu erhöhen.