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
MAPN: Enhancing Heterogeneous Sparse Graph Representation by Mamba-based Asynchronous Aggregation
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）
针对异构稀疏图中GNN的过压缩、过平滑及训练困难问题，提出基于Mamba的异步传播网络MAPN，通过元路径随机游走生成节点序列并异步聚合语义信息，增强图表示，实验验证其有效性。
2025-02-23 cs.LG
Semantic Random Walk for Graph Representation Learning in Attributed Graphs
Independent Research mengqin\
提出SGR方法，将属性图中结构与语义的联合优化统一到高阶邻近度框架，构建辅助加权图学习节点与属性表示，支持语义推理任务，在真实图上优于基线。
2023-05-11 cs.LG cs.SI
HMSG: Heterogeneous Graph Neural Network based on Metapath Subgraph Learning
College of Computer Science, Chongqing University（重庆大学计算机学院）；School of Computer Science, Shaanxi Normal University（陕西师范大学计算机学院）
针对现有异构图模型处理同构和异构邻居信息不够全面的问题，提出 HMSG 模型，通过分解元路径子图并独立聚合消息，全面捕获结构、语义和属性信息，在多项任务上取得最优性能。
2021-09-07 cs.AI cs.LG cs.SI
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
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
Loss-aware Curriculum Learning for Heterogeneous Graph Neural Networks
Tsinghua University（清华大学）；Hong Kong University of Science and Technology（香港科技大学）；KongFoo Technology Co., Ltd.（孔府科技有限公司）
本文提出损失感知训练调度方法 LTS，通过按节点质量由易到难组织训练，提升异构图神经网络的鲁棒性与准确率。
2024-02-29 cs.LG
Graph Attention for Heterogeneous Graphs with Positional Encoding
Harvard University（哈佛大学）
该研究基准测试了异构图上的GNN架构，发现图注意力网络在节点分类和链路预测中表现优异，并通过整合基于完整Laplacian谱的位置编码来增强节点嵌入，进一步提升下游任务性能。
2025-04-03 cs.AI cs.DM cs.LG
GripNet: Graph Information Propagation on Supergraph for Heterogeneous Graphs
Queen’s University（女王大学）；University of Waterloo（滑铁卢大学）；Perimeter Institute for Theoretical Physics（圆周理论物理研究所）；University of Sheffield（谢菲尔德大学）
本文提出GripNet框架，通过引入由超顶点和超边组成的超图数据结构，沿定义路径进行多层信息传播，克服了现有异构图表示学习方法在属性利用和可扩展性上的局限，在链路预测、节点分类和数据集成任务中表现优越。
2020-10-29 cs.LG
Cardinality-Decomposed Loss: Matching Training Objectives to Relation Structure in Heterogeneous Recommendation Graphs
研究异构推荐图中关系基数不同的问题，提出结合交叉熵和BPR的基数分解损失（CDL），通过实验验证CE-BPR冲突，表明CDL可提高属性嵌入可辨别性，揭示数据集行为受语义对齐和拓扑泄漏支配。
2026-07-24 cs.IR cs.LG
Self-Supervised Graph Neural Networks for Enhanced Feature Extraction in Heterogeneous Information Networks
Washington University in St. Louis（圣路易斯华盛顿大学）；Fordham University（福特汉姆大学）；University of Virginia（弗吉尼亚大学）；Trine University（特莱恩大学）
本文针对图数据异构性与冗余性问题，提出一种自监督图神经网络模型，通过融合属性图及节点的多种附加信息来增强深层特征提取，从而提升模型对复杂图数据的适应能力和整体性能。
2024-10-23 cs.LG
Heterogeneous Graph Neural Networks with Loss-decrease-aware Curriculum Learning
Central South University（中南大学）
针对异构图神经网络课程学习中以绝对损失衡量样本难度的不足，提出依据 epoch 间损失下降趋势评估难度的 LDTS 及缓解训练不平衡的采样策略，构建 LDHGNN 并验证其有效性。
2024-05-10 cs.AI cs.LG
Incorporating Attributes and Multi-Scale Structures for Heterogeneous Graph Contrastive Learning
Department of Computer Science and Technology, Ocean University of China（计算机科学与技术系，中国海洋大学）
本文提出异构图对比学习框架ASHGCL，通过属性、高阶和低阶结构三视图及属性增强正样本选择策略，缓解采样偏差，在多个数据集上超越无监督基线并媲美有监督方法。
2025-08-19 cs.LG cs.SI
AHEAD: A Triple Attention Based Heterogeneous Graph Anomaly Detection Approach
Xi’an Jiaotong University（西安交通大学）；University of Virginia（弗吉尼亚大学）；University of Washington（华盛顿大学）；Ant Financial（蚂蚁金服）
属性网络上的图异常检测因其在许多有影响力的领域中的广泛应用而成为一个热门的研究课题。在现实世界中，属性网络中的节点和边通常表现出明显的异质性，即不同类型节点的属性表现出极大的多样性，不同类型的关系表现出不同的意义。在这些网络的异质性的各种角度来看，异常通常表现得与大多数不同。然而，现有的图异常检测方法没有利用属性网络中的异质性，这是高度相关的异常检测。针对这一问题，我们提出了AHEAD：一种基于编码器-解码器框架的异质性感知无监督图异常检测方法。具体而言，编码器设计了属性级、节点类型级和边级三个层次的注意力，分别用于捕捉网络结构、节点属性和单个节点信息的异质性。在解码器中，我们利用结构，属性和节点类型重建条款，以获得每个节点的异常得分。大量的实验表明，AHEAD的优越性在几个现实世界的异构信息网络相比，在无监督设置的艺术。进一步的实验验证了我们的三重注意力，模型骨干和解码器的有效性和鲁棒性。
2022-08-17 cs.LG cs.SI
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
AGHINT: Attribute-Guided Representation Learning on Heterogeneous Information Networks with Transformer
School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Nanjing FiberHome Tiandi Co., Ltd.（南京烽火天地有限公司）；Department of Data Science and Artificial Intelligent, Faculty of Information Technology, Monash University（莫纳什大学信息技术学院数据科学与人工智能系）
针对异质信息网络中节点属性差异导致异构图神经网络节点分类性能下降的问题，提出属性引导的Transformer模型AGHINT，通过融入高阶相似邻居特征、按属性差异调整消息传递提升性能，在三个真实基准上超越现有最优水平。
2024-04-16 cs.AI cs.LG
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
CITE: A Comprehensive Benchmark for Heterogeneous Text-Attributed Graphs on Catalytic Materials
Computer Network Information Center, China Academy of Sciences（中国科学院计算机网络信息中心）
本文提出首个面向催化材料的大规模异质文本属性引文图基准CITE，包含超438K节点和1.2M边，并通过标准化评估与多类模型对比及消融实验，为异质TAG表示学习提供基准支持。
2025-08-21 cs.CL cs.LG
Mobile APP User Attribute Prediction by Heterogeneous Information Network Modeling
Yanshan University（燕山大学）；Beihang University（北京航空航天大学）；Fordham University（福特汉姆大学）
基于用户的属性信息，例如年龄和性别，通常被认为是用户隐私信息。企业很难获得基于用户的隐私属性信息。而基于用户隐私属性信息在个性化服务、用户行为分析等方面有着广泛的应用。本文提出了HetPathMine模型，提出了TPathMine模型。利用节点下属性的点击次数来表达用户的情感偏好信息，并对元路径权重的求解进行了优化。该模型以异构信息网络中的元路径为基础，将对象间的所有关系整合为分类对象间的同构关系。利用矩阵实现同构对象之间的类别知识的知识传播。实验结果表明：（1）基于异构信息网络的用户属性预测比传统的机器学习分类方法能达到更高的准确率;（2）基于点击次数的TPathMine模型对不同年龄段的用户分类更准确，且各元路径的权重与人类直觉或真实世界情况一致。
2019-10-06 cs.LG stat.ML
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
Enhancing Multi-Attribute Fairness in Healthcare Predictive Modeling
College of Computing and Informatics（计算与信息学院）；Drexel University（德雷塞尔大学）
针对医疗预测建模中多属性公平性问题，提出两阶段优化方法，兼顾预测性能与多敏感属性公平，实验显示同时优化优于单一属性方法，显著降低EOD并保持高准确性。
2025-01-22 cs.CY cs.LG
Meta-learning of semi-supervised learning from tasks with heterogeneous attribute spaces
NTT Communication Science Laboratories（NTT通信科学实验室）；NTT Computer and Data Science Laboratories（NTT计算机与数据科学实验室）
针对现有半监督元学习方法要求任务属性空间一致的局限，提出带可变特征自注意力层的异构任务半监督元学习方法，经实验验证性能优于现有方法。
2023-11-09 cs.AI cs.LG stat.ML
Learning Unified Distance Metric for Heterogeneous Attribute Data Clustering
School of Computer Science and Technology（计算机科学与技术学院）；Guangdong University of Technology（广东工业大学）；Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China（教育部多媒体可信感知与高效计算重点实验室）；Xiamen University（厦门大学）；Department of Computer Science（计算机科学系）
本文提出HARR范式，通过统一学习多空间来提升异质属性数据聚类的准确性和效率。
2026-03-03 cs.AI cs.LG
HMVI: Unifying Heterogeneous Attributes with Natural Neighbors for Missing Value Inference
School of Computer Science and Technology（计算机科学与技术学院）；Guangdong University of Technology（广东工业大学）
HMVI通过统一框架建模异构特征依赖，利用完整和不完整实例实现更准确的缺失值推断，提升下游机器学习任务性能。
2026-01-08 cs.AI cs.LG
Heterogeneous Graph Masked Autoencoders
University of Notre Dame（圣母大学）；Brandeis University（布兰迪斯大学）
生成式自监督学习（SSL），特别是掩码自编码器，已成为最令人兴奋的学习范式之一，并在处理图数据方面显示出巨大的潜力。然而，现实世界中的图往往是异构的，这就提出了现有方法所忽略的三个关键挑战：1）如何捕捉复杂的图结构？2)如何合并各种节点属性？以及3）如何编码不同的节点位置？鉴于此，我们研究了异构图上的生成SSL问题，并提出了HGMAE，一种新的异构图掩码自编码器模型来解决这些挑战。HGMAE通过两种创新的掩蔽技术和三种独特的训练策略捕获全面的图形信息。特别是，我们首先开发了具有动态掩码率的元路径掩码和自适应属性掩码，以便在异构图上进行有效和稳定的学习。然后，我们设计了几种训练策略，包括基于元路径的边缘重建，以采用复杂的结构信息，目标属性恢复，将各种节点属性，和位置特征预测编码节点的位置信息。大量的实验表明，HGMAE在多个数据集的多个任务上优于对比和生成的最先进的基线。代码可在https://github.com/meettyj/HGMAE上获得。
2023-02-10 cs.LG
The Prospect of Enhancing Large-Scale Heterogeneous Federated Learning with Transformers
Nanyang Technological University（南洋理工大学）；Digital Research Institute, ENN Group（新奥集团数字研究院）
针对联邦学习面临的数据异构与大规模参与者挑战，本文研究基于Transformer的联邦学习的泛化与个性化前景，通过多场景对比实验验证其优势，并借助CKA表示相似性分析其性能优异的原因。
2023-08-22 cs.LG
Party Matters: Enhancing Legislative Embeddings with Author Attributes for Vote Prediction
FiscalNote（财政笔记）
预测国会议员将如何投票对于了解他们过去和未来的行为非常重要。然而，以前的工作唱名预测已被限制到单一的会话设置，因此没有考虑跨会话的泛化。在本文中，我们表明，元数据是至关重要的建模投票结果在新的上下文中，会话之间的变化会导致底层数据生成过程中的变化。我们展示了如何在神经网络模型中使用赞助商的意识形态来增强法案文本，与以前的最先进技术相比，准确性平均提高了4%。
2018-05-21 cs.CL cs.LG
Enhancing Perceptual Attributes with Bayesian Style Generation
University of Trento（特伦托大学）；Fondazione Bruno Kessler (FBK)（布鲁诺·凯斯勒基金会（FBK））
深度学习为计算机视觉带来了前所未有的进步，并且在预测视觉数据固有的主观属性（例如，可记忆性、美学质量、诱发的情感等）。最近，一些研究工作甚至提出了深度学习方法来修改图像，例如适当地改变这些属性。遵循这一研究路线，本文介绍了一种用于合成图像的新型深度学习框架，以增强预定义的感知属性。我们的方法将自然图像作为输入，并利用最近的深度风格转移模型和生成对抗网络来改变其风格，以修改特定的高级属性。与以前专注于增强视觉内容的特定属性的作品不同，我们提出了一个通用框架，并在两个用例中证明了其有效性，即增加图像记忆力和生成可怕的图片。我们评估所提出的方法公开可用的基准，展示其优势，最先进的方法。
2018-12-03 cs.LG stat.ML
Enhancing Multi-modal Models with Heterogeneous MoE Adapters for Fine-tuning
College of Computer Science Zhejiang University, China；College of Software Zhejiang University, China
针对多模态模型微调中忽视模态融合的问题，提出异构MoE适配器，在低秩空间实现高效融合，仅微调5-8%参数即在八个下游任务上取得优越性能。
2025-03-26 cs.LG
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
NTK-DFL: Enhancing Decentralized Federated Learning in Heterogeneous Settings via Neural Tangent Kernel
ece（电气与计算机工程系）；sci（安全计算研究所）
针对去中心化联邦学习在统计异构场景下的性能瓶颈，提出融合神经切线核演化与模型平均的NTK-DFL方法，可提升准确率与收敛速度，通信轮次较基线减少4.6倍，且在多场景下具备鲁棒性。
2025-06-12 cs.LG
Multi-Aspect Mining and Anomaly Detection for Heterogeneous Tensor Streams
SANKEN, The University of Osaka（SANKEN大学）
HeteroComp通过建模异构张量流的潜在群体和时序动态，实现对群体异常的高效检测。
2026-02-04 cs.LG
IncogniText: Privacy-enhancing Conditional Text Anonymization via LLM-based Private Attribute Randomization
Huawei Munich Research Center（华为慕尼黑研究中心）
本文提出IncogniText文本匿名化技术，通过大语言模型私有属性随机化误导对手预测错误属性值，在8种属性上降低泄露超90%，并蒸馏为端侧LoRA参数实现现实部署。
2025-02-02 cs.AI cs.CL cs.CR
Segment-driven Structural Induction and Semantic Alignment for Heterogeneous Tabular Representation
Department of Computer Science \& Engineering, Korea University, Seoul, South Korea
提出NAVI框架，通过掩码片段建模和熵驱动片段对齐，利用片段级结构归纳与语义对齐实现异构表格的表示学习。
2026-06-01 cs.LG
Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns
HKUST（香港科技大学）；Amazon.com Inc（亚马逊公司）
针对会话推荐中用户意图捕获问题，提出FAPAT模型，利用属性转移图和属性模式增强会话表示，在公开及工业数据上平均提升4.5%。
2023-12-23 cs.IR cs.LG
CAESAR: Enhancing Federated RL in Heterogeneous MDPs through Convergence-Aware Sampling with Screening
ETH Zurich（苏黎世联邦理工学院）；National University of Singapore（新加坡国立大学）；A*STAR（新加坡科技研究局）
针对异构MDP下联邦强化学习平均聚合策略次优的问题，提出结合收敛感知采样与筛选的CAESAR方案，选择性吸收同MDP优秀智能体知识，经GridWorld和FrozenLake-v1实验验证可显著提升学习效率。
2024-04-16 cs.AI cs.LG
Enhancing Interactive Voting-Based Map Matching: Improving Efficiency and Robustness for Heterogeneous GPS Trajectories
Cuebiq Group, LLC（Cuebiq集团）；MOX Laboratory（MOX实验室）；Department of Mathematics, Politecnico di Milano（米兰理工学院数学系）
本文提出增强版的Interactive Voting-Based Map Matching算法，通过集成轨迹插补、距离受限投票策略及OpenStreetMap定制资产，提升了异构GPS轨迹匹配的效率、鲁棒性和普适性。
2025-08-15 cs.LG
Enhancing Petrophysical Studies with Machine Learning: A Field Case Study on Permeability Prediction in Heterogeneous Reservoirs
University of science and technology Houari Boumediene（侯阿里·布迈丁科技大学）
本研究采用ANN、RFC和SVM三种机器学习算法结合FZI岩石分型技术，预测非均质储层渗透率，并比较算法有效性以优化储层模拟与井位部署。
2023-05-11 cs.LG physics.geo-ph
Decision MetaMamba: Enhancing Selective SSM in Offline RL with Heterogeneous Sequence Mixing
决策MetaMamba通过异质序列混合增强离线RL中的选择性SSM，实现高性能与紧凑参数的平衡。
2026-02-26 cs.AI cs.LG
F3: Fair and Federated Face Attribute Classification with Heterogeneous Data
IIIT Hyderabad（国际信息技术学院海得拉巴分校）
不同人口群体之间的公平性是人脸相关任务的一个重要标准，人脸属性分类（FAC）是一个突出的例子。除了这种趋势，联邦学习（FL）作为分布式训练的可扩展范例越来越受到关注。现有的FL方法需要数据的同质性，以确保公平性。然而，这种假设在现实世界中限制太多。我们提出了F3，一个新的FL框架下的公平FAC数据异构性。F3采用多重统计学方法，在不需要数据同质性假设的情况下，提高不同人口统计群体之间的公平性。我们通过在流行的人脸数据集上报告经验观察到的公平性措施和准确性保证来证明F3的有效性。我们的研究结果表明，F3罢工FAC的准确性和公平性之间的实际平衡。
2022-06-24 cs.CV cs.CY cs.LG
MH-GIN: Multi-scale Heterogeneous Graph-based Imputation Network for AIS Data (Extended Version)
Department of Computer Science, Aalborg University, Denmark（计算机科学系，奥胡斯大学，丹麦）；School of Computer, Guangxi University, Guangxi, China（计算机学院，广西大学，广西，中国）
针对AIS数据因属性更新速率不同存在多尺度依赖、现有补全方法精度受限的问题，提出多尺度异构图补全网络MH-GIN，通过提取多尺度时间特征、构建异构图建模依赖，在两个真实数据集上补全误差较SOTA平均降低57%且保持计算效率。
2025-10-28 cs.DB cs.LG
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
Enhancing Heterogeneous Knowledge Graph Completion with a Novel GAT-based Approach
Shanghai Jiao Tong University（上海交通大学）
针对异质知识图谱补全中样本不平衡和共享关系实体预测困难的问题，本文提出基于GAT的新方法GATH，通过双注意力模块和新颖编码特征转换，在两个基准数据集上显著优于现有最优模型。
2024-08-05 cs.AI cs.LG
Enhancing Heterogeneous Federated Learning with Knowledge Extraction and Multi-Model Fusion
Iowa State University（爱荷华州立大学）；Intel Corporation（英特尔公司）
针对传统联邦学习存在的模型异构性适配差、通信成本高的问题，提出一种结合知识聚合与知识蒸馏的资源感知异构联邦学习方法，在保留模型异构性的同时显著降低通信成本并提升性能。
2023-09-30 cs.CR cs.DC cs.LG
Two-stage hybrid models for enhancing forecasting accuracy on heterogeneous time series
Kent Business School, University of Kent, Canterbury, Kent, CT2 7FS, UK（肯特大学坎特伯雷分校）
本文针对异构时间序列数据提出两阶段混合建模框架，先用全局模型识别同质模式，再用局部模型或分组子模型捕捉异构性，在四个数据集上显著优于六种先进模型。
2025-11-07 cs.LG
rx-anon -- A Novel Approach on the De-Identification of Heterogeneous Data based on a Modified Mondrian Algorithm
University of Ulm（乌尔姆大学）；University（大学）
传统的数据匿名化方法分别考虑关系数据和文本数据。我们提出了rx-anon，一种匿名化方法的异构半结构化的文件组成的关系和文本属性。我们将从文本中提取的敏感术语映射到结构化数据。这允许我们使用k-匿名等概念来生成异构数据输入的连接的、隐私保护的版本。我们引入了冗余敏感信息的概念来一致地匿名化异构数据。为了控制匿名化对非结构化文本数据和结构化数据属性的影响，我们引入了一种改进的参数化Mondrian算法。参数$λ$允许在匿名化过程中对关系和文本属性赋予不同的权重。我们评估我们的方法与两个现实世界的数据集使用归一化的匿名惩罚分数，适应联合匿名化的关系和文本数据的问题。结果表明，我们的方法是能够减少信息损失，通过使用调整参数来控制蒙德里安分区，同时保证k-匿名的关系属性以及敏感条款。由于rx-anon是一种框架方法，它可以被其他匿名算法，隐私模型和文本相似性度量重用和扩展。
2022-12-06 cs.CR cs.DB cs.LG
GT-Space: Enhancing Heterogeneous Collaborative Perception with Ground Truth Feature Space
Sun Yat-sen University, Shenzhen Campus（中山大学深圳校区）；Peng Cheng Laboratory (PCL)（鹏城实验室）
本文提出GT-Space框架，通过构建地面真实标签的共同特征空间，实现异构agent的统一特征对齐，避免了传统方法中需要重新训练编码器或设计解释器模块的局限，提升了多agent协作感知的准确性和鲁棒性。
2026-09-15 cs.AI cs.LG cs.MA
Decision MetaMamba: Enhancing Selective SSM in Offline RL with Heterogeneous Sequence Mixing
Samsung Electronics Hwaseong, South Korea（三星电子（Hwaseong, 韩国））；Seoul National University of Science and Technology（首尔科学技术大学）
决策元Mamba通过异构序列混合增强离线强化学习中的选择性SSM，实现高效且紧凑的高性能表现。
2026-02-26 cs.AI cs.LG
Learning to Rank Critical Road Segments via Heterogeneous Graphs with Origin-Destination Flow Integration
School of Software, Liaoning Technical University（软件学院，辽宁技术大学）；Faculty of Electronic and Information Engineering, Liaoning Technical University（电子与信息工程学院，辽宁技术大学）
本文提出HetGL2R框架，通过异质图学习结合OD流量与路径信息，提升道路段重要性排名性能。
2026-02-21 cs.LG
Enhancing Fairness in Unsupervised Graph Anomaly Detection through Disentanglement
Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）；University of Chinese Academy of Sciences（中国科学院大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
针对图异常检测中被忽视的公平性问题，提出解耦框架DEFEND，通过在GNN中引入解耦和仅基于属性的重构来消除敏感属性偏见，在保持检测效用的同时显著提升了公平性。
2025-03-03 cs.CY cs.LG cs.SI
Hybrid Micro/Macro Level Convolution for Heterogeneous Graph Learning
Beihang University（北京航空航天大学）；University of Tennessee（田纳西大学）；Rutgers University（罗格斯大学）
异构图在实际场景中是普遍存在的，其中每个图由多种类型的节点和边组成。异构图上的表示学习旨在获得既能保持节点属性又能保持关系信息的低维节点表示。然而，大多数现有的图卷积方法都是针对同构图设计的，因此不能处理异构图。最近的一些方法设计的异构图也面临着几个问题，包括异构属性的利用不足，结构信息丢失，缺乏可解释性。在本文中，我们提出了HGConv，一种新的异构图卷积方法，通过混合微观/宏观级卷积操作来学习异构图上的综合节点表示。与现有方法不同，HGConv可以直接在微观和宏观层面上对异构图的内在结构进行卷积：微观层面的卷积可以学习同一关系中节点的重要性，而宏观层面的卷积可以区分不同关系之间的细微差异。混合策略使HGConv能够充分利用具有适当可解释性的异构信息。此外，加权剩余连接的设计，聚合的固有属性和邻居信息的焦点节点自适应。对各种任务的大量实验不仅证明了HGConv优于现有方法，而且还证明了我们的图形分析方法的直观可解释性。
2020-12-29 cs.LG
Pairwise Learning for Name Disambiguation in Large-Scale Heterogeneous Academic Networks
Beihang University（北京航空航天大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Lehigh University（理海大学）
名称消歧旨在识别具有相同名称的唯一作者。现有的姓名消歧方法通常利用作者属性来增强消歧结果。然而，一些有区别的作者属性（例如，电子邮件和隶属关系）可能会因为毕业或跳槽而改变，这将导致同一作者的论文在数字图书馆中分离。虽然这些属性可能会发生变化，但作者的合著者和研究主题不会随着时间的推移而频繁变化，这意味着在学术网络中，一个时期内的论文具有相似的文本和关系信息。受此启发，我们引入了基于多视图注意力的成对递归神经网络（MA-PairRNN）来解决名称消歧问题。我们根据作者属性将论文划分为小块，并根据MA-PairRNN的成对分类结果合并同一作者的块。MA-PairRNN将异构图嵌入学习和成对相似性学习结合到一个框架中。除了属性和结构信息，MA-PairRNN还通过元路径利用语义信息，并以归纳的方式生成节点表示，这是可扩展到大型图。此外，采用语义级注意力机制融合多个基于元路径的表示。由两个RNN组成的伪暹罗网络以发表时间顺序的两个论文序列作为输入，并输出它们的相似性。两个真实世界的数据集上的结果表明，我们的框架有一个显着的和一致的性能提高的名称消歧任务。实验还表明，MA-PairRNN可以在少量训练数据的情况下表现良好，并且在不同的研究领域具有更好的泛化能力。
2021-01-20 cs.DL cs.LG cs.SI
HACD: Harnessing Attribute Semantics and Mesoscopic Structure for Community Detection
Beijing Information Science and Technology University（北京信息科技大学）；Hong Kong Baptist University（香港浸会大学）
针对属性网络社区检测忽视属性语义相似性和介观结构的问题，提出基于异构图注意力网络的HACD模型，通过属性级注意力与社区成员函数提升检测鲁棒性，实验优于现有方法。
2024-11-04 cs.AI cs.GR cs.LG
Oh-A-DINO: Understanding and Enhancing Attribute-Level Information in Self-Supervised Object-Centric Representations
Heinrich Heine University（海因里希·海涅大学）；Technical University of Dortmund（多特蒙德工业大学）
该研究发现自监督视觉模型及基于槽的物体表征难以保留颜色、材质等非几何表面属性，通过在分割块上学习经VAE正则化的辅助潜空间可恢复这些属性，提升多物体实例检索效果。
2025-10-01 cs.CV cs.LG
