图转化网络：学习元路径图以改善图神经网络

图神经网络（GNN）由于其强大的图结构数据表示能力，已广泛应用于各个领域。尽管GNN取得了成功，但大多数现有的GNN设计用于在固定且均质的图上学习节点表示。当在错误指定的图或由各种类型的节点和边组成的异质图上学习表示时，这些限制尤其成问题。为了解决这些限制，我们提出了图转化网络（GTN），该网络能够生成新的图结构，排除噪声连接并包括对任务有用的连接（例如，元路径），同时以端到端的方式在新图上学习有效的节点表示。我们进一步提出了GTN的增强版本，快速图转化网络（FastGTN），其改善了图转化的可扩展性。与GTN相比，FastGTN在推理和训练中分别快230倍和150倍，并且在允许与GTN相同的图转化的情况下，使用的内存量减少了100倍和148倍。此外，我们将图转化扩展到节点的语义邻近性，允许超越元路径的非局部操作。在均质图和异质图上的广泛实验表明，具有非局部操作的GTN和FastGTN在节点分类任务中实现了最先进的性能。代码可用： https://github.com/seongjunyun/GraphTransformerNetworks.