ForestColl: Throughput-Optimal Collective Communications on Heterogeneous Network Fabrics
University of Washington（华盛顿大学）；Tsinghua University（清华大学）；Microsoft Research（微软研究院）；Microsoft（微软）
ForestColl 通过构建广播/聚合生成树，在多项式时间内为任意异构网络拓扑生成吞吐量最优的集体通信调度，并在 AMD 与 NVIDIA 集群及大语言模型训练中显著优于现有方案。
2025-09-19 cs.DC cs.LG cs.NI
HeteSpaceyWalk: A Heterogeneous Spacey Random Walk for Heterogeneous Information Network Embedding
Beijing Advanced Innovation Center for Big Data and Brain Computing（北京大数据与脑计算高级创新中心）；Beihang University（北京航空航天大学）；HKUST（香港科技大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
异构信息网络（HIN）嵌入技术近年来受到越来越多的关注。然而，目前基于随机游走的HIN嵌入方法很少关注元路径引导随机游走的高阶马尔可夫链性质，特别是平稳性问题。本文系统地将元路径引导的随机游动形式化为高阶马尔可夫链过程，并提出了一种异构的个性化空间随机游动，以有效地实现节点间期望的平稳分布。然后，我们提出了一个广义的可扩展的框架，利用异构个性化空间随机游走学习嵌入的多种类型的节点在HIN引导的元路径，元图，元模式分别。我们在几个异构网络进行了广泛的实验，并证明我们的方法大大优于现有的国家的最先进的网络嵌入算法。
2019-09-07 cs.LG cs.SI stat.ML
Joint Embedding of Meta-Path and Meta-Graph for Heterogeneous Information Networks
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Cornell University（康奈尔大学）；The University of Hong Kong（香港大学）；Facebook（脸书）
元图是目前异构信息网络相似性搜索最有效的工具，元图是一组元路径的组合，它捕捉了复杂的结构信息。然而，目前基于元图的相关性计算只考虑了复杂的结构信息，而忽略了其嵌入的元路径信息。为了解决这个问题，我们提出了基于MEta-GrAph的网络嵌入模型，分别称为MEGA和MEGA++。MEGA模型同时使用从元图及其嵌入的节点之间的元路径导出的归一化相关性或相似性度量，然后利用张量分解方法执行节点嵌入。MEGA++进一步利用耦合张量矩阵分解方法获得节点的联合嵌入，同时考虑了元图所有Meta信息的隐藏关系，在两个真实数据集上的大量实验表明MEGA和MEGA++比现有方法更有效.
2018-09-11 cs.LG cs.SI stat.ML
Differentiable Meta Multigraph Search with Partial Message Propagation on Heterogeneous Information Networks
Huazhong University of Science and Technology（华中科技大学）
异构信息网络（HIN）被广泛用于描述具有复杂实体和关系的真实世界数据。为了自动利用它们的语义信息，最近在HIN的各种任务上开发了图神经架构搜索。现有的作品，另一方面，表现出不稳定性和可扩展性的弱点。为了解决这些问题，我们提出了一种新的方法，称为部分消息Meta多重图搜索（PMMM），以自动优化神经网络的神经结构设计。具体来说，为了学习图神经网络（GNN）如何沿着各种类型的边传播消息，PMMM采用了一种有效的可微框架来搜索有意义的Meta多重图，它可以捕获比Meta图更灵活和复杂的语义关系。可微搜索通常存在性能不稳定的问题，因此我们进一步提出了一种称为部分消息搜索的稳定算法，以确保搜索到的Meta多重图始终优于手动设计的元结构，即，元路径在六个基准数据集上进行的节点分类和推荐两个典型任务的实验表明了该方法的有效性。我们的方法优于最先进的异构GNN，找出有意义的Meta多重图，并且更加稳定。
2022-11-27 cs.LG cs.NE stat.ML
MetaCI: Meta-Learning for Causal Inference in a Heterogeneous Population
TCS Research（塔塔咨询服务公司研究院）
由于医疗保健、教育、零售等领域的数据广泛可用，因此对通过观察性研究获得的数据进行推断变得非常重要。此外，这些数据是从异质人群的多个同质亚组中获得的，因此，对这些数据进行推断机制的推广是至关重要的。我们提出了MetaCI框架，其目标是在因果推理（CI）的背景下回答反事实问题，其中事实观察是从几个同质的子组中获得的。虽然CI网络被设计为从事实分布推广到反事实分布以解决协变量偏移，但MetaCI采用元学习范式来解决由于群体中存在异质性以及由于目标分布的漂移（也称为概念偏移）而导致的训练和测试阶段之间的数据分布偏移。我们使用平均治疗效果的平均绝对百分比误差作为度量标准对MetaCI算法的性能进行基准测试，并证明与随机初始化网络和其他方法相比，Meta初始化具有显着的增益。
2021-02-17 cs.LG cs.MA stat.ML
Meta-Learning with Heterogeneous Tasks
University at Buffalo, State University of New York（纽约州立大学布法罗分校）；Purdue University（普渡大学）
针对任务难度、噪声和差异导致的异构性，本文提出 HeTRoM，利用基于排序的任务级目标、双层优化及统计指导，避免简单任务主导并提升元学习性能。
2024-10-24 cs.LG
Meta Graph Attention on Heterogeneous Graph with Node-Edge Co-evolution
Didi Chuxing（滴滴出行）
图神经网络已成为结构化数据建模的重要工具。在许多现实世界的系统中，可能存在复杂的隐藏信息，例如，节点/边的异质性、静态节点/边属性和时空节点/边特征。然而，大多数现有的方法只考虑了部分信息。在本文中，我们提出了协同进化的Meta图神经网络（CoMGNN），它适用于元图注意异构图的节点和边缘状态的协同进化。我们进一步提出了一个时空适应的CoMGNN（ST-CoMGNN）的节点和边缘的时空模式建模。我们在两个大规模的真实世界数据集上进行了实验。实验结果表明，我们的模型显着优于国家的最先进的方法，从不同方面的编码不同的信息的有效性。
2020-10-09 cs.LG cs.SI stat.ML
MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding
The Chinese University of Hong Kong（香港中文大学）
大量的现实世界的图或网络本质上是异构的，涉及到节点类型和关系类型的多样性。异构图嵌入是将异构图丰富的结构和语义信息嵌入到低维节点表示中。现有的模型通常在异构图中定义多个元路径来捕获复合关系并指导邻居选择。然而，这些模型要么忽略节点内容特征，要么丢弃元路径上的中间结点，要么只考虑一个元路径。为了解决这三个限制，我们提出了一个新的模型命名为元路径聚合图神经网络（MAGNN），以提高最终的性能。具体来说，MAGNN采用三个主要组件，即，用于封装输入节点属性的节点内容转换、用于合并中间语义节点的元路径内聚合以及用于组合来自多个元路径的消息的元路径间聚合。在三个真实世界的异构图数据集上进行的节点分类、节点聚类和链接预测的广泛实验表明，MAGNN实现了比最先进的基线更准确的预测结果。
2020-03-31 cs.LG cs.SI
HAGNN: Hybrid Aggregation for Heterogeneous Graph Neural Networks
State Key Laboratory for Novel Software Technology, Nanjing University（南京大学现代软件技术国家重点实验室）；Research Center for Graph Computing, Zhejiang Lab（浙江实验室图计算研究中心）
本文提出HAGNN框架，通过同时利用元路径邻居与直接邻居进行两阶段混合聚合，充分利用异构图语义信息，在节点分类、聚类和链接预测任务上优于现有模型。
2024-12-15 cs.LG
Attention-Driven Metapath Encoding in Heterogeneous Graphs
Yale University（耶鲁大学）
本文首次提出在不丢弃中间节点的前提下将注意力机制融入异构图元路径编码，结合序列注意力和直接注意力构建编码器，并采用专用训练调度器，在IMDB节点分类基准上取得与最先进模型相当的性能。
2024-12-30 cs.LG
Heterogeneous Graph Tree Networks
Institute for Financial Services Analytics University of Delaware Newark, USA
异构图神经网络（HGNNs）是近三年来研究的热点。大多数现有的HGNN分为两类。一类是基于元路径的HGNN，它要么需要领域知识来手工制作元路径，要么消耗大量的时间和内存来自动构建元路径。另一类不依赖于元路径构造。它以同构卷积图神经网络（Conv-GNNs）为骨干，通过引入节点类型和边类型相关的参数将其扩展到异构图。无论元路径依赖性如何，大多数现有的HGNN都采用诸如GCN和GAT之类的浅层Conv-GNN来聚合邻域信息，并且可能具有有限的从高阶邻域捕获信息的能力。在这项工作中，我们提出了两个异构图树网络模型：异构图树卷积网络（HetGTCN）和异构图树注意力网络（HetGTAN），它不依赖于元路径来编码节点特征和图结构的异构性。在三个真实世界的异构图数据上进行的大量实验表明，所提出的HetGTCN和HetGTAN是有效的，并且在半监督节点分类任务上始终优于所有最先进的HGNN基线，并且可以深入而不影响性能。
2022-09-01 cs.LG
Meta-node: A Concise Approach to Effectively Learn Complex Relationships in Heterogeneous Graphs
Seoul National University（首尔大学）；NAVER
由于异构图的固有性质，现有的用于异构图的消息传递神经网络依赖于元路径或元图的概念。然而，元路径和元图需要在学习之前预先配置，并且高度依赖于专家知识来构建它们。为了解决这个问题，我们提出了一个新的概念，元节点的消息传递，可以学习丰富的关系知识，从复杂的异构图，没有任何元路径和元图显式建模之间的关系相同类型的节点。与元路径和元图不同，元节点不需要任何需要专业知识的预处理步骤。更进一步，我们提出了一个元节点的消息传递计划，并将我们的方法应用到对比学习模型。在节点聚类和分类任务的实验中，所提出的元节点消息传递方法优于依赖于元路径的现有技术。我们的研究结果表明，有效的异构图学习是可能的，而不需要在这个领域中经常使用的元路径。
2022-10-26 cs.AI cs.LG cs.SI
HetCCL: Accelerating LLM Training with Heterogeneous GPUs
snu-cse（首尔国立大学计算机科学与工程系）；snu-ds（首尔国立大学数据科学研究院）；moreh（Moreh公司）；samsung（三星研究）
HetCCL通过统一异构GPU的集体通信库，实现跨供应商的高效训练，提升异构环境下的大语言模型训练性能。
2026-01-30 cs.DC cs.LG
MECCH: Metapath Context Convolution-based Heterogeneous Graph Neural Networks
The Chinese University of Hong Kong（香港中文大学）
针对异构图神经网络深度化时的性能退化及现有元路径模型的信息丢失或高计算成本问题，提出MECCH模型，通过元路径上下文构建、编码和卷积融合三个组件实现无损无冗余的信息聚合，在多个数据集上提升了预测准确度和计算效率。
2023-11-23 cs.LG
IMPA-HGAE:Intra-Meta-Path Augmented Heterogeneous Graph Autoencoder
College of Software, Jilin University（吉林大学软件学院）；College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）
针对异构图自监督学习中元路径内部节点信息利用不足的问题，提出 IMPA-HGAE 框架与新型掩码策略，在异构数据集上取得更优表示性能。
2025-06-07 cs.AI cs.LG
Unsupervised Meta-Learning via Dynamic Head and Heterogeneous Task Construction for Few-Shot Classification
本文探讨了元学习在少样本分类中的优势，发现其双层优化策略对标签噪声和异构任务更具鲁棒性，据此提出了结合动态头和无监督异构任务构建的元学习算法 DHM-UHT，在多个无监督数据集上取得了最先进性能。
2024-10-13 cs.LG
Metapaths guided Neighbors aggregated Network for?Heterogeneous Graph Reasoning
Alibaba Group（阿里巴巴集团）
大多数真实世界的数据集本质上是异构的图，涉及到节点和关系类型的多样性。异构图嵌入是从图中学习结构和语义信息，然后嵌入到低维节点表示中。现有的方法通常通过定义元路径来捕捉异构图的复合关系，元路径表示图的语义。然而，这些方法要么忽略节点属性，要么丢弃图的局部和全局信息，要么只考虑一个元路径。为了解决这些限制，我们提出了一个元路径引导的邻居聚集异构图神经网络（MHN），以提高性能。特别地，MHN采用节点基嵌入来封装节点属性，元路径内的BFS和DFS邻居聚合来捕获局部和全局信息，以及元路径聚合来组合异构图的不同语义。我们在三个真实世界的异构图数据集上进行了大量的实验，包括节点分类，链接预测和阿里巴巴移动应用程序的在线A/B测试。结果表明，MHN表现优于其他国家的最先进的基线。
2021-03-11 cs.AI cs.LG cs.SI
Personalised Meta-path Generation for Heterogeneous GNNs
University of Luxembourg（卢森堡大学）；National Cheng Kung University（台湾成功大学）
近年来，异构图表示学习（HGRL）的研究受到越来越多的关注，它旨在将异构信息网络（HIN）中丰富的结构和语义信息嵌入到低维节点表示中。到目前为止，大多数HGRL模型依赖于手工制作的元路径。然而，依赖于手动定义的元路径需要领域知识，这是很难获得复杂的HIN。更重要的是，附加到每个节点类型或节点对的所有现有HGRL方法的预定义或生成的元路径不能被个性化到每个单独的节点。为了充分释放HGRL的力量，我们提出了一种新的框架，基于个性化元路径的异构图神经网络（PM-HGNN），以联合生成HIN中每个节点的个性化元路径，并学习目标下游任务（如节点分类）的节点表示。准确地说，PM-HGNN将元路径生成视为马尔可夫决策过程，并利用策略网络自适应地为每个节点生成元路径，同时学习有效的节点表示。策略网络通过利用下游任务的性能改进来利用深度强化学习进行训练。我们进一步提出了一个扩展PM-HGNN++，以更好地编码关系结构并加速元路径生成过程中的训练。实验结果表明，PM-HGNN和PM-HGNN++在各种节点分类设置中都可以显著且一致地优于16种竞争基线和最先进的方法。定性分析还表明，PM-HGNN++可以识别被人类知识忽略的有意义的元路径。
2022-10-11 cs.LG
FHGE: A Fast Heterogeneous Graph Embedding with Ad-hoc Meta-paths
School of Computer Science, Fudan University（复旦大学计算机科学学院）；School of Software, Fudan University（复旦大学软件学院）；Shanghai Key Laboratory of Data Science（上海数据科学重点实验室）
FHGE提出一种无需重新训练的快速异构图嵌入方法，通过分割与重建模块及双重注意力机制，高效生成元路径引导的嵌入，适用于即席查询和实时图分析。
2025-02-22 cs.LG
Meta-FL: A Novel Meta-Learning Framework for Optimizing Heterogeneous Model Aggregation in Federated Learning
Oregon State University（俄勒冈州立大学）
针对联邦学习的数据异构与模型多样问题，提出基于优化元聚合器的Meta-FL框架，利用元特征实现适配性聚合，在医疗数据集上性能优于传统方法，兼具高效性与可扩展性。
2024-06-23 cs.CR cs.LG
M2HGCL: Multi-Scale Meta-Path Integrated Heterogeneous Graph Contrastive Learning
Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Defence Industry Secrecy Examination and Certification Center（国防工业保密审查认证中心）
提出M2HGCL模型，通过多尺度元路径集成与联合聚合邻居信息，摒弃异构-同构转换，并采用正采样策略解决难负样本问题，在三个真实数据集上超越现有基线。
2023-09-03 cs.AI cs.LG
SHGNN: Structure-Aware Heterogeneous Graph Neural Network
Sun Yat-sen University（中山大学）；Microsoft Research Asia（微软亚洲研究院）
许多现实世界的图（网络）是异构的，具有不同类型的节点和边。异构图嵌入旨在学习异构图的低维节点表示，对于各种下游应用至关重要。近年来，人们提出了许多基于元路径的嵌入方法来学习异构图的语义信息。然而，大多数现有的技术忽略了图的结构信息时，学习异构图嵌入。本文提出了一种新的结构感知异构图神经网络（SHGNN），以解决上述限制。具体而言，首先利用特征传播模块获取元路径中中间结点的局部结构信息，然后利用树-注意力聚合器将图结构信息融合到元路径上的聚合模块中，最后利用元路径聚合器对不同元路径上的聚合信息进行融合.我们在节点分类和聚类任务上进行了实验，并在基准数据集上取得了最先进的结果，这表明了我们提出的方法的有效性。
2021-12-14 cs.LG cs.SI
HAHE: Hierarchical Attentive Heterogeneous Information Network Embedding
Zhejiang University（浙江大学）；Tsinghua University（清华大学）
异构信息网络（HIN）嵌入由于其在处理复杂异构数据方面的有效性而受到广泛关注。Meta路径是连接具有不同语义的对象类型的一种路径，在现有的HIN嵌入工作中得到了广泛的应用。然而，迄今为止，一些挑战尚未得到解决。首先，不同的Meta路径传达不同的语义，而现有的工作假设，所有节点共享相同的权重的Meta路径，忽略了不同的Meta路径上的不同节点的个性化偏好。第二，给定Meta路径，HIN中的节点通过路径实例连接，而现有的工作未能充分探索路径实例之间的差异，反映节点在语义空间中的偏好。为了解决上述问题，本文提出了一种分层注意异构信息网络嵌入（HAHE）模型，用于捕获每个语义空间中的Meta路径和路径实例的个性化偏好。由于路径实例基于特定的Meta路径，因此自然地利用分层注意力机制来对Meta路径和路径实例的个性化偏好进行建模。在几个真实数据集上的大量实验表明，我们提出的\model模型在各种数据采掘任务方面显着优于最先进的方法。
2019-05-14 cs.LG cs.SI
TACOS: Topology-Aware Collective Algorithm Synthesizer for Distributed Machine Learning
Georgia Institute of Technology（佐治亚理工学院）；Intel（英特尔公司）；Massachusetts Institute of Technology（麻省理工学院）
针对现有分布式机器学习集体通信库算法固定、手动设计成本高的问题，提出TACOS自主合成器，可自动生成拓扑感知集体算法，在异构128-NPU系统合成All-Reduce算法仅需1.08秒，性能提升达4.27倍，且多项式级合成时间支持40K NPU规模。
2024-10-02 cs.DC cs.LG
Meta-Path Constrained Random Walk Inference for Large-Scale Heterogeneous Information Networks
Amazon Web Services（亚马逊云科技）
异构信息网络（HIN）作为一种多类型的实体-关系图，已经显示出其建模真实世界数据的能力。元路径是这种能力的关键贡献者，因为它通过丰富的语义链接捕获实体之间的接近度来实现推理。以前的HIN研究要求用户直接提供元路径或2）有偏见的例子来生成元路径。然而，许多HIN（例如，YAGO 2和Freebase）具有丰富的模式，由复杂且大量的实体和关系类型组成。针对用户提供元路径来支持大规模推理是不切实际的问题，提出了一种元路径约束推理框架，通过精心设计的树结构有效地学习HIN推理模式，进一步释放元路径的能力;以及在几乎没有用户指导的情况下执行无偏随机游走推断。在YAGO 2和DBLP数据集上的实验结果表明了元路径约束推理框架的性能。
2019-12-02 cs.LG cs.SI
A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning
College of Computer Science, Zhejiang University（浙江大学计算机科学与技术学院）；Alibaba Group（阿里巴巴集团）
网络嵌入已被广泛研究，用于在各种实际应用中建模和管理数据。然而，大多数现有的工作集中在单一类型的节点或边的网络，与有限的考虑节点和边的不平衡分布。在实际应用中，网络通常由数十亿个具有丰富属性的各种类型的节点和边组成。为了解决这些问题，在本文中，我们提出了一个多语义元路径（MSM）模型的大规模异构表示学习。具体来说，我们生成基于多语义元路径的随机游走来构建异构邻域来处理不平衡分布，并提出了一个统一的嵌入学习框架。我们在两个具有挑战性的数据集上对所提出的框架进行了系统的评估：亚马逊和阿里巴巴。实验结果表明，MSM在链接预测方面可以取得相对显着的增益。
2020-07-19 cs.LG cs.SI
Meta-path Free Semi-supervised Learning for Heterogeneous Networks
图神经网络（GNN）已被广泛用于图的表示学习，并在节点分类等任务中取得了优异的性能。然而，分析不同类型节点和链路的异构图仍然给将异构性注入图神经网络带来了很大的挑战。一般的补救措施是手动或自动设计元路径以将异构图转换为同构图，但这是次优的，因为来自一阶邻居的特征没有完全用于训练和推理。在本文中，我们提出了简单而有效的图神经网络异构图，不使用元路径。具体来说，我们的模型专注于通过有效地扩展一般GNN的模型容量来放松模型参数的异质性压力。在六个真实世界的图形上进行的大量实验结果不仅显示了我们提出的模型优于现有技术的性能，而且还证明了降低异质性压力和增加参数大小之间的潜在良好平衡。我们的代码可以免费复制我们的结果。
2021-01-06 cs.AI cs.LG
HetFS: A Method for Fast Similarity Search with Ad-hoc Meta-paths on Heterogeneous Information Networks
Fudan University（复旦大学）；Shanghai Key Laboratory of Data Science（上海数据科学重点实验室）
HetFS提出一种针对异构信息网络即席元路径查询的快速相似性搜索方法，结合路径信息与节点内容，在精度和效率上优于现有HGNN与路径方法，并适用于链接预测、节点分类和聚类等下游任务。
2025-02-22 cs.IR cs.LG cs.SI
HampDTI: a heterogeneous graph automatic meta-path learning method for drug-target interaction prediction
Huazhong Agricultural University（华中农业大学）；College of Informatics, Huazhong Agricultural University（华中农业大学信息学院）
动机：确定药物-靶标相互作用（DTI）是药物重新定位的关键步骤。近年来，大量基因组学和药理学数据的积累形成了海量的药物和靶点相关异构网络（HN），这为开发基于HN的计算模型以准确预测DTI提供了新的契机。HN包含了大量关于DTI的有用信息，但也包含了无关的数据，如何充分利用异构网络仍然是一个挑战。结果：本文提出了一种基于异构图自动元路径学习的DTI预测方法（HampDTI）。HampDTI从HN中自动学习药物和靶标之间的重要元路径，并生成元路径图。对于每个元路径图，从药物分子图和靶蛋白序列中学习的特征作为节点属性，然后设计一个有效考虑节点类型信息（药物或靶）的节点类型特定图卷积网络（NSGCN）来学习药物和靶的嵌入。最后，从多个元路径图的嵌入相结合，以预测新的DTI。基准数据集上的实验表明，我们提出的HampDTI实现了优越的性能相比，国家的最先进的DTI预测方法。更重要的是，HampDTI识别了DTI预测的重要元路径，这可以解释药物如何与HN中的靶点连接。
2021-12-16 cs.AI cs.LG q-bio.MN
Meta-Learning Approaches for a One-Shot Collective-Decision Aggregation: Correctly Choosing how to Choose Correctly
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
成功地聚合多个集体成员对一个给定的决策问题的选择到一个单一的解决方案是必不可少的利用集体的智慧和有效的众包。有各种各样的聚合技术，其中一些归结为一个简单的，有时有效的确定性聚合规则。然而，已经表明，这些技术的效率在不同条件下和不同领域内是不稳定的。其他方法主要依赖于从决策者那里了解以前的反应或关于这些反应的额外信息。在这项研究中，我们提出了两种基于一次性机器学习的聚合方法。第一个预测，给定关于集体选择的多个特征，包括元认知特征，哪种聚合方法对给定情况最好。第二种方法直接预测哪种决策是最优的，其中包括每种方法所做的选择。我们提供了一个元认知特征工程的方法来描述一个集体决策的情况下，在上下文敏感的方式。此外，我们提供了一个新的聚合方法，魔鬼的代言人聚合器，处理的情况下，标准的聚合方法预测失败。实验结果表明，使用我们提出的任何一种方法都增加了成功聚合案例的百分比（即，返回正确答案的情况）显著地，与每个基于规则的聚合方法的统一应用相比。我们还证明了魔鬼代言人聚合器的重要性。
2022-04-03 cs.AI cs.LG
A Self-Explainable Heterogeneous GNN for Relational Deep Learning
University of Trento（特伦托大学）；Aalborg University（奥尔堡大学）
针对关系数据库预测任务，提出一种自解释异构GNN，支持基于元路径聚合信息的类别判定，有效识别信息元路径并显著优于现有方法。
2025-02-25 cs.DB cs.LG
