Entity Embedding-based Anomaly Detection for Heterogeneous Categorical Events
Northeastern University（东北大学）；NEC Labs America（NEC美国实验室）
异常检测在现代数据驱动的安全应用中扮演着重要的角色，例如检测进程对套接字的可疑访问。在许多情况下，这样的事件可以被描述为被认为是不同类型的实体的分类值的集合，我们称之为异质分类事件。由于缺乏实体之间的内在距离度量，以及指数级大的事件空间，大多数现有的工作严重依赖于统计学来计算事件的异常分数。与以前的工作不同，我们提出了一个原则性和统一的概率模型APE（通过概率成对交互和实体嵌入的异常检测），直接模拟事件的可能性。在这个模型中，我们将实体嵌入到一个共同的潜在空间中，使用它们在不同事件中观察到的同现。更具体地说，我们首先根据它们的嵌入对每对实体的兼容性进行建模。然后，我们利用不同实体类型的加权成对相互作用来定义事件概率。使用具有“上下文相关”噪声分布的噪声对比估计，无论大事件空间如何，我们的模型都可以有效地学习。在真实企业监控数据上的实验结果表明，与其他最先进的异常检测技术相比，我们的方法可以准确地检测到异常事件。
2016-08-26 cs.CR cs.LG stat.ML
Bridge the Gaps: Heterogeneous Attributed Graph Clustering via Quaternion Representation Learning
School of Computer Science and Technology, Guangdong University of Technology（广东工业大学计算机科学与技术学院）；Tsinghua University（清华大学）；BH-Energy Technology Co., Ltd.（BH-Energy科技有限公司）；Shenzhen MSU-BIT University（深圳北理莫斯科大学）
提出AGREE框架，通过多级对齐和基于相似度的图构建统一处理数值和类别属性，利用四元数图卷积缓解过度主导和过度平滑问题，实现无需预定义聚类数的端到端聚类。
2026-06-23 cs.LG
Heterogeneous graphs model spatial relationships between biological entities for breast cancer diagnosis
Indian Institute of Technology Bombay（印度理工学院孟买分校）
针对乳腺癌组织病理图像中细胞与组织空间关系利用不足的问题，提出异构GNN联合建模两类图的空间与层级关系，并在BRIGHT、BreakHis和BACH上以更少参数取得优于transformer基线的准确率。
2023-07-16 cs.AI cs.CV cs.LG
Self-Supervised Pretraining for Heterogeneous Hypergraph Neural Networks
Meta AI
提出用于异构超图神经网络的自监督预训练框架SPHH，通过两个预训练任务学习局部和全局表示，在多种下游任务中显著提升性能并展现鲁棒性。
2023-11-19 cs.LG cs.SI stat.ML
Attributed Multi-order Graph Convolutional Network for Heterogeneous Graphs
Fuzhou University（福州大学）；University of Vienna（维也纳大学）
本文提出AMOGCN模型，通过自适应聚合多阶邻接矩阵自动学习包含多跳邻居的元路径，并利用节点属性同质性监督融合过程，最终在异构图半监督分类中取得优于现有方法的性能。
2023-04-18 cs.AI cs.LG
Multi-Scale Heterogeneous Text-Attributed Graph Datasets From Diverse Domains
Nanjing University（南京大学）
针对当前文本属性图研究多聚焦同质图、缺乏跨领域多尺度异质文本属性图（HTAG）数据集的问题，本文构建了覆盖多领域、多尺度的HTAG基准数据集，开展了图神经网络基准实验，并公开了全套资源与代码。
2024-12-12 cs.CL cs.LG
HRGCN: Heterogeneous Graph-level Anomaly Detection with Hierarchical Relation-augmented Graph Neural Networks
University of Technology Sydney（悉尼科技大学）；Singapore Management University（新加坡管理大学）；University of Wollongong（伍伦贡大学）
针对异构图级异常检测需求，提出无监督层次关系增强异构图神经网络HRGCN，通过建模实体交互与节点、边类型学习图表示，在数据集和工业案例中均优于现有方法。
2023-08-28 cs.LG
Mining Hidden Populations through Attributed Search
University of Illinois, Urbana Chamapaign（伊利诺伊大学厄巴纳-香槟分校）
研究人员经常通过其应用程序编程接口（API）查询在线社交平台，以找到目标人群，如精神疾病患者~ \cite{De-Choudhury2017}和爵士音乐家~ \cite{heckathorn2001finding}。这样的目标群体的实体满足通常使用oracle（人类或预先训练的分类器）识别的属性。当目标实体的属性不能通过API直接查询时，我们将属性称为“hidden”，将人口称为隐藏人口。在社交网络上找到属于这些群体的个体是困难的，因为它们是不可查询的，并且采样器必须在有限的预算限制内从组合查询空间中探索。通过利用可查询属性和感兴趣的群体之间的相关性，并通过层次排序的查询空间，我们提出了一个基于决策树的汤普森采样器（\texttt{DT-TMP}），有效地发现正确的组合的属性查询。我们提出的采样器在在线实验中优于最先进的采样器，例如在Twitter上达到54%。当在离线实验中已知查询的匹配实体的数量时，\texttt{DT-TMP}的性能非常好，比基线采样器高出0.9-1.5 $\times$倍。在未来，我们希望探索通过制定更复杂的查询来找到隐藏人口的选项。
2019-05-11 cs.DB cs.LG cs.SI
Pay Attention to Relations: Multi-embeddings for Attributed Multiplex Networks
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
图卷积神经网络（GCN）已成为许多下游网络挖掘任务（如节点分类、链接预测和社区发现）的有效机器学习算法。然而，大多数GCN方法都是针对同构网络开发的，并且仅限于每个节点的单个嵌入。复杂的系统，通常由异构的，多路复用的网络GCN模型提出了一个更困难的挑战，并要求这些技术捕捉不同的上下文和各种节点之间发生的相互作用。在这项工作中，我们提出了RAHMeN，一个新的统一的关系感知嵌入框架属性异构复用网络。我们的模型结合了节点属性，图案为基础的功能，关系为基础的GCN方法，和关系的自我关注学习嵌入的节点在一个异构的，多元化的网络中的各种关系。与之前的工作相比，RAHMeN是一个更具表现力的嵌入框架，它包含了此类网络中节点的多面性，产生了一组多嵌入，捕获了节点的各种各样的上下文。我们在来自Amazon，Twitter，YouTube和Tissue PPI的四个真实数据集上评估了我们的模型，包括转导和诱导设置。我们的研究结果表明，RAHMeN始终优于可比的国家的最先进的网络嵌入模型，和RAHMeN的关系自我注意力的分析表明，我们的模型发现存在于异构，多元网络的关系之间的可解释的连接。
2022-03-03 cs.LG
Representation Learning for Attributed Multiplex Heterogeneous Network
Tsinghua University（清华大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
网络嵌入（或图嵌入）已广泛应用于许多现实世界的应用中。然而，现有的方法主要集中在具有单一类型的节点/边的网络上，并且不能很好地扩展以处理大型网络。许多真实世界的网络由数十亿个节点和多种类型的边组成，每个节点都与不同的属性相关联。在本文中，我们形式化的问题的嵌入学习的属性多重异构网络，并提出了一个统一的框架来解决这个问题。该框架支持转换学习和归纳学习。我们也给出了所提出的框架的理论分析，显示其与以前的作品的连接，并证明其更好的表现力。我们在四种不同类型的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，YouTube，Twitter和阿里巴巴。实验结果表明，使用从所提出的框架中学习的嵌入，我们可以实现统计上显著的改进（例如，5.99-28.23%的F1分数提升; p<<0.01，t检验）超过先前用于链接预测的现有技术方法。该框架也已成功部署在一个全球领先的电子商务公司，阿里巴巴集团的推荐系统。产品推荐的离线A/B测试结果进一步证实了该框架在实践中的有效性和效率。
2019-05-20 cs.LG cs.SI
Entity Alignment with Reliable Path Reasoning and Relation-Aware Heterogeneous Graph Transformer
South China Normal University（华南师范大学）；Hanshan Normal University（韩山师范学院）
实体对齐是从不同的知识图谱中寻找具有相同意义的实体的一种方法，已引起学术界和工业界的广泛关注。知识库中实体之间存在大量的多步关系路径，反映了实体之间的语义关系。然而，现有的方法很少考虑路径信息，因为不是所有的自然路径有利于EA判断。在本文中，我们提出了一个更有效的实体对齐框架，RPR-RHGT，它集成了关系和路径结构信息，以及在知识库中的异构信息。令人印象深刻的是，一个初始的可靠路径推理算法的发展，产生的路径有利于EA任务的关系结构的KG，这是第一个算法在文献中成功地使用不受限制的路径信息。此外，为了有效地捕捉实体邻域中的异构特征，设计了一个关系感知的异构图转换器Transformer来建模KG的关系和路径结构。在三个知名数据集上的大量实验表明，RPR-RHGT显著优于11种最先进的方法，在Hits@1上超过最佳性能基线高达8.62%。我们还展示了它在不同比例的训练集和更硬的数据集上比基线更好的性能。
2022-08-07 cs.AI cs.CL cs.LG
SCALA: Sparsification-based Contrastive Learning for Anomaly Detection on Attributed Networks
College of Computer Science and Technology, Harbin Engineering University（哈尔滨工程大学计算机科学与技术学院）；School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院）
针对属性网络异常检测中异常违反同质性及易受噪声扰动的问题，提出基于稀疏化的对比学习框架SCALA，通过引入稀疏化提升节点嵌入质量并提供新的异常分数度量，在五个真实数据集上显著优于所有基线方法。
2024-01-08 cs.CY cs.LG cs.SI
Attributed Network Embedding Model for Exposing COVID-19 Spread Trajectory Archetypes
Texas A&M University（德克萨斯农工大学）；Princeton University（普林斯顿大学）；Clemson University（克莱姆森大学）
COVID-19的传播表明，不同城市和社区的传播风险模式并不相同，各种异质特征可能影响传播轨迹。因此，对于预测性大流行监测，必须探索城市和社区中区分其特定大流行传播轨迹的潜在异质特征。为此，本研究创建了一个网络嵌入模型，捕获跨县的访问网络，以及异构功能，以揭示集群的县在美国的基础上，他们的流行病传播的传播轨迹。我们从2020年3月3日至6月29日（第一波）收集并计算了2，787个县的位置情报特征。其次，我们构建了一个人的访问网络，其中包括县的功能作为节点属性，县之间的访问作为网络的边缘。我们的归因网络嵌入方法整合了跨县访问网络的类型学特征，以及异质性特征。我们对属性网络嵌入进行聚类分析，以揭示对应于四个县群的四种扩散风险轨迹原型。随后，我们确定了四个特征作为原型之间独特的传播风险模式的重要特征。归因网络嵌入方法和研究结果识别并解释了预测性大流行监测的跨县非同质大流行风险轨迹。该研究还有助于数据驱动和基于深度学习的流行病分析方法，以补充流行病政策分析的标准流行病学模型。
2022-09-21 cs.CY cs.LG cs.SI
Variational Graph Autoencoder for Heterogeneous Information Networks with Missing and Inaccurate Attributes
East China Normal University（华东师范大学）；Shanghai Polytechnic University（上海第二工业大学）；Baidu Inc.（百度公司）
本文提出生成式自监督模型 GraMI，基于变分图自编码器同时学习节点级和属性级嵌入，通过重建链接与属性来补全缺失特征并纠正不准确属性，实验证明其在处理异质信息网络属性问题上的优越性。
2024-11-19 cs.LG cs.SI
HeTriNet: Heterogeneous Graph Triplet Attention Network for Drug-Target-Disease Interaction
Georgia State University（佐治亚州立大学）；Oklahoma State University（俄克拉荷马州立大学）
针对药物-靶点-疾病三元交互建模问题，提出异构图三元组注意力网络HeTriNet，通过三元组注意力机制捕捉实体对与实体间的重要性，在真实数据集上优于多个基线方法。
2023-11-30 cs.AI cs.LG q-bio.BM
Semi-supervisedly Co-embedding Attributed Networks
Sun Yat-sen University（中山大学）；University of Glasgow（格拉斯哥大学）
深度生成模型（DGMs）已经取得了显着的进步。半监督变分自动编码器（SVAE）作为一种经典的DGM提供了一个有效地从小的标记数据推广到大的未标记数据的原则性框架，但它很难在多个异构实体中包含丰富的非结构化关系。针对这一问题，本文提出了一种基于广义SVAE的半监督属性网络共嵌入模型（SCAN），该模型能够半监督地协同学习部分标记属性网络的节点和属性的低维向量表示.通过SCAN以统一的方式获得的节点和属性嵌入不仅有利于捕获节点之间的邻近度，而且有利于捕获节点和属性之间的亲和力。此外，我们的模型还训练了一个判别网络来学习节点的标签预测分布。在真实网络上的实验结果表明，与最先进的基线相比，我们的模型在属性推断、用户分析和节点分类等应用中具有出色的性能。
2019-10-31 cs.LG cs.SI
Heterogeneous Graph Generation: A Hierarchical Approach using Node Feature Pooling
Indian Institute of Technology Kharagpur（印度理工学院克勒格布尔分校）；Singapore Management University（新加坡管理大学）；Rutgers University（罗格斯大学）
本文提出一种两阶段分层结构的异构图生成方法，第一阶段用基于扩散的模型生成带节点类型的骨架图，第二阶段用编码器、采样器和判别器从节点特征池中采样分配特征，在IMDB和DBLP子集上验证了有效性。
2024-10-15 cs.LG cs.SI
KARAMEL: Knowledge-Aware Ranking for Multimodal Entity Linking in the Arts via Heterogeneous Graphs
University of Bari Aldo Moro（巴里大学阿尔多·莫罗分校）；Hasso Plattner Institute（哈索·普拉特纳研究所）；University of Potsdam（波茨坦大学）；ZBW - Leibniz Information Centre for Economics（ZBW - 莱布尼茨经济信息中心）；University of Kiel（基尔大学）
本研究提出面向文化遗产领域的多模态实体链接框架KARAMEL，融合视觉-语言编码器与异质图神经网络，引入新数据集WikiMuSA，实验显示其性能优于基线模型，且可推广至其他多模态知识发现场景。
2026-10-14 cs.CV cs.LG
Deep Learning on Attributed Sequences
Worcester Polytechnic Institute（伍斯特理工学院）
特征学习的最新研究已经扩展到序列数据，其中每个实例由具有可变长度的异构项序列组成。然而，在许多实际应用中，数据是以属性序列的形式存在的，它由一组固定大小的属性和可变长度的序列组成，它们之间存在依赖关系。在属性序列背景下，由于序列及其相关属性之间的依赖性，特征学习仍然具有挑战性。在这篇论文中，我们专注于分析和建立深度学习模型的属性序列的四个新问题。我们在真实世界数据集上进行的大量实验表明，与属性序列上的最先进方法相比，所提出的解决方案显着提高了每个任务的性能。
2022-01-23 cs.AI 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
DDI Prediction via Heterogeneous Graph Attention Networks
Oklahoma State University（俄克拉荷马州立大学）
多药疗法，定义为同时使用多种药物，是一种标准的治疗方法，特别是对于严重和慢性疾病。但是，同时使用多种药物可能会导致药物之间的相互作用。药物相互作用（DDI）是一种药物与另一种药物联合使用时影响发生变化的活动。DDI可能会阻碍、增加或减少任何一种药物的预期效果，或者在最坏的情况下，产生不良副作用。虽然及时检测DDI至关重要，但在临床试验中识别它们既耗时又昂贵，因为它们的持续时间短，而且需要考虑许多可能的药物对进行测试。因此，需要计算方法来预测DDI。在本文中，我们提出了一种新的异构图注意力模型，HAN-DDI预测药物相互作用。我们用不同的生物实体创建了一个异质的药物网络。然后，我们开发了一个异构的图形注意力网络来学习DDI使用药物与其他实体的关系。它包括一个基于注意力的异构图节点编码器，用于获得药物节点表示和一个解码器，用于预测药物-药物相互作用。此外，我们利用综合实验来评估我们的模型，并将其与最先进的模型进行比较。实验结果表明，我们提出的方法，HAN-DDI，优于基线显着和准确地预测DDI，即使是新药。
2022-07-12 cs.AI cs.IR cs.LG
Privacy-Preserving Heterogeneous Multi-LLM Federated Inference for Cognitive Diagnosis
University of Cincinnati（辛辛那提大学）
该研究针对AI教育系统中隐私与认知诊断精度难以平衡的问题，提出异构多LLM联邦推理框架，结合差分隐私与残差聚合，兼具强隐私保障与低精度损失，经多基准验证实用且可跨域推广。
2026-09-04 cs.AI cs.CL cs.CR
Inference over Unseen Entities, Relations and Literals on Knowledge Graphs
Paderborn University（帕德博恩大学）
针对现有知识图谱嵌入模型无法推理未见过的实体、关系和字面量的问题，提出注意力字节对编码层BytE，通过子词嵌入和权重绑定实现特征复用，在合适数据集上提升了4种模型的链接预测性能，并开源实现以支持可复现研究。
2024-10-09 cs.LG
Inductive Representation Learning in Large Attributed Graphs
Intel Labs（英特尔实验室）；PARC（帕洛阿尔托研究中心）；Google（谷歌）；WPI（伍斯特理工学院）
图（网络）无处不在，允许我们对实体（节点）和它们之间的依赖关系（边）进行建模。从图数据中学习有用的特征表示是许多机器学习任务的核心和成功，例如分类，异常检测，链接预测等。许多现有技术使用随机游动作为学习特征或估计用于下游预测任务的图模型的参数的基础。示例包括最近的节点嵌入方法，如DeepWalk，node2vec以及基于图的深度学习算法。然而，这些方法所使用的简单随机游动从根本上与节点的身份有关。这有三个主要缺点。首先，这些方法本质上是传导性的，不能推广到看不见的节点和其他图。其次，它们不是空间有效的，因为每个节点都要学习一个特征向量，这对于大型图来说是不切实际的。第三，这些方法大多缺乏对属性图的支持。为了使这些方法更普遍适用，我们提出了一个框架，归纳网络表示学习的基础上的概念，属性随机游动，不绑定到节点身份，而是基于学习一个函数$Φ: \mathrm{\rm \bf x} \rightarrow w$，映射节点属性向量$\mathrm{\rm \bf x}$的类型$w$。该框架作为推广现有方法的基础，如DeepWalk，node2vec和许多其他利用传统随机游动的方法。
2017-11-22 cs.AI cs.LG cs.SI
Scalable Graph Neural Networks for Heterogeneous Graphs
New York University（纽约大学）；Facebook AI Research（Facebook人工智能研究院）
图神经网络（GNN）是一类流行的参数模型，用于学习图结构数据。最近的研究表明，GNN主要使用图进行特征平滑，并且通过简单地操作图平滑的节点特征，而不是使用端到端学习的特征层次结构，在基准任务上显示出有竞争力的结果，这些特征层次结构很难扩展到大型图。在这项工作中，我们问这些结果是否可以扩展到异构图，编码不同实体之间的多种类型的关系。我们提出了关系子图的邻居平均（NARS），它训练了一个分类器的邻居平均功能的随机采样的子图的关系的“元标记”。我们描述了优化，以允许这些节点特征集在训练和推理时以内存有效的方式计算。NARS在几个基准数据集上达到了最先进的精度，优于更昂贵的基于GNN的方法
2020-11-19 cs.LG
REFINE: LLM Refinement over Budgeted Text-Attributed Graphs for Personalized Medical Concept Representation
University of Kansas（堪萨斯大学）
该研究针对电子健康记录预测中患者个性化医学概念表示的需求，提出REFINE框架，结合强化学习、异构GNN与冻结LLM，在MIMIC-III和MIMIC-IV数据集上提升了EHR预测性能。
2026-09-07 cs.AI cs.LG
Collective Entity Alignment via Adaptive Features
National University of Defense Technology（中国人民解放军国防科技大学）；The University of New South Wales（新南威尔士大学）；Collaborative Innovation Center of Geospatial Technology（地理空间技术协同创新中心）
实体对齐（EA）标识引用相同现实世界对象但位于不同知识图谱（KG）中的实体，并已被用于KG构建和集成。在生成EA结果时，当前的解决方案独立地处理实体，而没有考虑实体之间的相互依赖性。为了填补这一空白，我们提出了一个集体EA框架。我们首先采用三个代表性特征，即，结构、语义和字符串信号，其适于捕获异构KG中的实体之间的相似性的不同方面。为了使集体EA决策，我们制定EA作为经典的稳定匹配问题，这是进一步有效地解决延迟接受算法。我们的建议进行了评估，跨语言和单语言EA基准对国家的最先进的解决方案，和实证结果验证了其有效性和优越性。
2020-04-01 cs.AI cs.CL cs.LG
AttrE2vec: Unsupervised Attributed Edge Representation Learning
Wroclaw University of Science and Technology（弗罗茨瓦夫理工大学）；University of Notre Dame（圣母大学）
表示学习通过（无监督）特征学习克服了通常艰苦和手动的网络特征化，因为它产生了可以应用于各种下游学习任务的嵌入。图上的表示学习的焦点主要集中在浅层（以节点为中心）或深层（基于图）学习方法上。虽然已经有方法可以在具有多类型节点和边的同构和异构网络上工作，但在学习边表示方面存在差距。本文提出了一种新的无监督归纳方法AttrE2Vec，它学习属性网络中边的低维向量表示。它系统地捕捉拓扑接近，属性的亲和力，和功能的相似性的边缘。与当前边缘嵌入研究的进展相反，我们的建议扩展了提供边缘表示的方法的主体，以归纳和无监督的方式捕获图形属性。实验结果表明，与当代方法相比，我们的方法构建了更强大的边缘向量表示，反映在下游任务中的边缘分类和边缘聚类的质量指标（AUC，准确性）更高。这也证实了通过分析低维嵌入投影。
2020-12-29 cs.LG
Predicting Drug-Drug Interactions Using Heterogeneous Graph Neural Networks: HGNN-DDI
College of Information Science and Engineering, Northeastern University（东北大学信息科学与工程学院）；Lochlann Quinn School of Business, University College Dublin（都柏林大学学院洛克兰·奎因商学院）；Faculty of Science, McGill University（麦吉尔大学理学院）
提出HGNN-DDI异构图神经网络，整合多源药物数据预测药物相互作用，在基准数据集上优于现有方法，助力安全用药与精准医疗。
2025-08-26 cs.LG
HeteroMILE: a Multi-Level Graph Representation Learning Framework for Heterogeneous Graphs
The Ohio State University（俄亥俄州立大学）
HeteroMILE提出一种多层级嵌入框架，通过反复粗化保留骨干结构并利用异构图卷积细化，使异构图嵌入方法能扩展到大规模图，在链路预测和节点分类上实现约20倍加速且提升嵌入质量。
2024-03-31 cs.AI cs.LG
Sparsity-aware neural user behavior modeling in online interaction platforms
现代在线平台为用户提供了参与各种内容创建、社交网络和购物活动的机会。随着此类在线服务的迅速普及，学习数据驱动的用户行为模型对于实现个性化用户体验是必不可少的。最近，表示学习已经成为一种有效的用户建模策略，由经过大量交互数据训练的神经网络提供支持。尽管它们具有巨大的潜力，但我们遇到了绝大多数实体的数据稀疏性的独特挑战，例如，在实体的地面实况标签和实体级交互（冷启动用户，长尾中的项目和短暂组）中的稀疏性。在本论文中，我们开发了用于用户行为建模的通用神经表示学习框架，旨在解决应用程序中不同的稀疏性挑战。我们的问题设置跨越了转导和归纳学习场景，其中转导学习对训练期间看到的实体建模，而归纳学习则针对仅在推理期间观察到的实体。我们利用反映用户行为的信息的不同方面（例如，社交网络中的互连性、时间和属性交互信息），以实现大规模的个性化推断。我们提出的模型是对神经架构选择的同步进步的补充，并且适应在线平台中新应用的快速增加。
2022-02-28 cs.IT cs.LG cs.SI
OmniSage: Large Scale, Multi-Entity Heterogeneous Graph Representation Learning
Pinterest
针对现有表示学习方法难以整合支撑多应用的问题，提出大规模统一框架OmniSage，融合多类模型与对比学习，适配十亿级节点图，在Pinterest五款应用中实现全站保存量约2.5%的提升，并开源代码。
2025-06-12 cs.IR cs.LG
APT-MMF: An advanced persistent threat actor attribution method based on multimodal and multilevel feature fusion
Beihang University（北京航空航天大学）；Zhongguancun Laboratory（中关村实验室）；National Computer Network Emergency Response Technical Team/Coordination Center of China（国家计算机网络应急技术处理协调中心）
针对APT归因中特征单一、忽略IOC异构信息的问题，提出APT-MMF方法，通过异构属性图融合属性、文本与拓扑多模态特征，并利用多层级异构图注意力网络实现高精度且可解释的攻击者归因。
2024-02-20 cs.CR cs.LG
CT-HEG: A Bidirectional, Timestamp-Attributed Event Graph for ICU In-Hospital Mortality Prediction - An Architectural Ablation Study
Westcliff University（韦斯特克利夫大学）；Northern University Bangladesh（孟加拉国北方大学）；Stanton University（斯坦顿大学）；Washington University of Science and Technology（华盛顿科技大学）
该研究针对ICU死亡率预测中不规则临床观测建模问题，提出CT-HEG架构并实例化为CHIRP-Net，经MIMIC-IV v3.1数据集实验，验证了双向连接、时间注意力边特征等架构选择的作用，为不规则电子健康记录数据建模提供了有效方案。
2026-08-05 cs.AI cs.LG
Heterogeneous Graph based Deep Learning for Biomedical Network Link Prediction
Global Health Drug Discovery Institute（全球健康药物研发中心）
多尺度生物医学知识网络正在随着产生多尺度生物医学大数据的新兴实验技术而扩展。链接预测越来越多地被应用于生物医学网络中，以识别隐藏的生物相互作用和关键实体之间的关系，如化合物，靶标，基因和疾病。提出了一种基于图对的链接预测模型（GPLP）的图神经网络（GNN）方法，该方法仅根据生物医学网络的拓扑交互信息来预测生物医学网络中的链接。在GPLP中，从已知的网络相互作用矩阵中提取1-hop子图来预测丢失的链路。为了评估我们的方法，使用了三个异构生物医学网络，即药物-靶标相互作用网络（DTI），化合物-蛋白质相互作用网络（CPI）从NIH Tox 21，和化合物-病毒抑制网络（CVI）。我们提出的GPLP方法显著优于最先进的基线。此外，我们设计的协议，不同的网络不完全性进行了分析，我们还设计了一个有效的方法来提高模型的鲁棒性不完全网络。我们的方法展示了在其他生物医学网络的潜在应用。
2022-02-24 cs.AI cs.IR cs.LG
