THeGAU: Neuer Ansatz für heterogene Graphen verbessert Klassifikation

Heterogene Graph Neural Networks (HGNNs) sind ein leistungsstarkes Werkzeug, um komplexe Informationsnetzwerke mit verschiedenartigen Entitäten und Beziehungen zu modellieren. Ein häufiges Problem dieser Modelle ist jedoch der Verlust von Typinformationen und die Einwirkung von strukturellem Rauschen, was die Repräsentationsqualität und die Generalisierbarkeit einschränkt. THeGAU, ein modellagnostisches Framework, adressiert diese Schwächen durch die Kombination eines typbewussten Graph-Autoencoders mit einer gezielten Graphaugmentation.

Der Autoencoder rekonstruiert schema-konforme Kanten als Hilfsaufgabe, wodurch die Semantik der Knotentypen erhalten bleibt. Gleichzeitig nutzt ein decoder-gesteuertes Augmentationsverfahren gezielt die Repräsentation, um verrauschte Strukturen selektiv zu verfeinern. Diese enge Kopplung steigert die Robustheit, Genauigkeit und Effizienz des Modells und senkt gleichzeitig die Rechenkosten.

Umfangreiche Tests auf den Benchmark-Datensätzen IMDB, ACM und DBLP zeigen, dass THeGAU bestehende HGNN-Methoden konsequent übertrifft. Das System erzielt über allen getesteten Basiskonfigurationen einen neuen Stand der Technik in der Knotenkategorisierung.