.png){kind=icon}
返回
Bayesian-Optimized Learning on Heterogeneous Multipartite Graphs: A Framework for Multi-Level Relational Data
.png){kind=icon}
OA
AI
DOI：10.3390/sym17122082.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现实世界系统通常表现出分层多部分图结构，但现有的图神经网络（GNN）方法在异构多级架构的超参数优化方面缺乏系统性框架，限制了其实际应用。本研究提出了一种针对在三级图结构上运行的异构GNN的贝叶斯优化框架，解决了配置分区感知架构的计算挑战。通过基于高斯过程的贝叶斯超参数优化，结合跨分区消息传递机制，系统评估了四种GNN架构——图卷积网络（GCNs）、图注意力网络（GATs）、图同构网络（GINs）和GraphSAGE。该框架在TIMSS 2023数据集（10,000名学生，789所学校，25个国家）上得到验证，结果表明贝叶斯优化的GraphSAGE相比七种基线方法实现了最高的解释方差（R² = 0.6187，RMSE = 71.73，MAE = 64.32）。贝叶斯优化显著提升了模型性能，揭示了两层架构能最佳地捕捉三级结构中的跨分区依赖关系。GNNExplainer被用于识别模型学习到的最具影响力的学生级特征，为模型如何表示个体特征提供了可解释性见解。该优化框架可广泛应用于其他异构和多级图场景；然而，实验发现（如最优架构深度）是针对具有TIMSS拓扑等结构特性的分层图而言的。
Keyword:
Bayesian optimization
educational data mining
gnnexplainer
heterogeneous graph neural networks
multi-level modeling
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
S
IF:
2.2
论文数:
1.4K
被引数:
0
机构
引用论文
分享收藏Adaptive graph diffusion networks: compact and expressive GNNs with large receptive fields自适应图扩散网络：具有大感受野的紧凑且表达能力强的图神经网络
OAAI
OAAI分享收藏Taking the Human Out of the Loop: A Review of Bayesian Optimization将人类带出循环: 贝叶斯优化的回顾.png)
PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏分享收藏
查看更多内容