Redes de Transformadores Gráficos: Aprendendo grafos de meta-caminhos para melhorar GNNs

As Redes Neurais Gráficas (GNNs) têm sido amplamente aplicadas a diversos campos devido às suas poderosas representações de dados estruturados em grafos. Apesar do sucesso das GNNs, a maioria das GNNs existentes é projetada para aprender representações de nós em grafos fixos e homogêneos. As limitações tornam-se problemáticas especialmente ao aprender representações em um grafo mal especificado ou um grafo heterogêneo que consiste em vários tipos de nós e arestas. Para abordar essas limitações, propomos as Redes de Transformadores Gráficos (GTNs), que são capazes de gerar novas estruturas gráficas, as quais evitam conexões ruidosas e incluem conexões úteis (por exemplo, meta-caminhos) para tarefas, enquanto aprendem representações eficazes de nós nos novos grafos de forma end-to-end. Além disso, propomos uma versão aprimorada das GTNs, as Redes de Transformadores Gráficos Rápidas (FastGTNs), que melhoram a escalabilidade das transformações gráficas. Comparadas às GTNs, as FastGTNs são até 230× e 150× mais rápidas em inferência e treinamento, e usam até 100× e 148× menos memória, permitindo as mesmas transformações gráficas que as GTNs. Além disso, estendemos as transformações gráficas à proximidade semântica dos nós, permitindo operações não locais além de meta-caminhos. Extensos experimentos em grafos homogêneos e heterogêneos mostram que as GTNs e FastGTNs com operações não locais alcançam desempenho de estado da arte para tarefas de classificação de nós. O código está disponível: https://github.com/seongjunyun/GraphTransformerNetworks.