표본 선택의 부담
대조 방식의 이종 그래프 학습에서는 증강 방식과 양성 및 음성 표본을 설계해야 한다. HGOT는 별도 그래프 증강 전략 없이 최적 수송으로 의미 관계를 다루어 이런 표본 선택의 부담을 줄이는 접근이다.
중심 뷰의 구성
서로 다른 메타패스로 표현한 분기 뷰의 의미 정보를 집계해 중심 뷰를 만든다. 각 분기와 중심 사이에 어떤 의미를 대응시킬지 수송 계획으로 나타낸다.
표현과 구조의 정렬
그래프 사이의 수송 계획이 표현과 정렬되도록 학습해 그래프 공간의 관계를 반영하는 노드 표현을 얻는다. 원 연구는 네 실제 자료에서 노드 분류를 비롯한 후속 과제로 평가했다.
관련 문서
HeCo / 최적 수송 / 대조 학습 / HAN 이종 그래프 어텐션 / MAGNN / 자기 지도 학습