반복 집계의 비용
이종 그래프 모형에서 이웃 어텐션과 여러 층의 구조가 실제로 어떤 효과를 내는지 조사한 연구다. SeHGNN은 평균 집계기로 이웃 특징을 미리 계산해 매 학습 주기마다 같은 집계를 반복하는 비용을 줄인다.
긴 메타패스의 활용
한 층의 구조를 사용하면서 긴 메타패스로 정보를 받는 범위를 넓힌다. 이웃마다 복잡한 어텐션을 반복하는 대신 미리 모아 둔 관계별 특징을 활용한다.
의미별 특징의 융합
서로 다른 메타패스의 특징을 트랜스포머 기반 모듈로 결합한다. 원 연구는 다섯 실제 이종 그래프에서 예측 정확도와 학습 속도를 함께 비교했다.
관련 문서
HAN 이종 그래프 어텐션 / HGT 이종 그래프 트랜스포머 / MAGNN / GTN 메타패스 그래프 학습 / metapath2vec / 그래프 신경망