论文题目：Hyperbolic-Euclidean Deep Mutual Learning

作者：曹海芳（博士研究生）、王煜、李佳璐、朱鹏飞、胡清华

论文概述：

图神经网络（gnn）在处理图数据方面表现出强大的性能，欧几里得和双曲变体分别在处理基于网格和分层结构方面表现出色。然而，现有的方法侧重于学习与底层空间的固有属性相关联的特定结构，而不能充分利用它们在不同几何空间中的互补属性，从而限制了它们有效建模和表示复杂图结构的能力。在本文中，我们提出了一个双曲-欧几里得深度互学习（H-EDML）框架，它利用双曲空间的独特性质来有效地捕获图数据中存在的层次关系，同时也利用熟悉的欧几里得空间来处理局部交互。具体来说，我们设计了一个拓扑互学习模块，以增强每个单个模型感知图的整体拓扑结构的能力。同时，我们集成了决策互学习模块，进一步提高模型对图数据的综合判断能力，从而增强模型的鲁棒性和泛化能力。此外，我们采用基于注意力的概率集成策略进行最终预测，以减轻不同模型之间决策的潜在差异。在5个真实图数据集上的节点分类实验结果表明我们提出的H-EDML优于目前最先进的方法。