Spiking Heterogeneous Graph Attention Networks¶

会议: AAAI 2026
arXiv: 2601.02401
代码: https://github.com/QianPeng369/SpikingHAN
领域: 图学习 / 脉冲神经网络
关键词: 异构图, 脉冲神经网络, 元路径, 图注意力, 能效计算

一句话总结¶

提出 SpikingHAN，首次将脉冲神经网络（SNN）引入异构图学习，通过共享参数的单层图卷积聚合元路径邻居信息，语义级注意力融合多元路径，再编码为脉冲序列的 1-bit 二值表征，在三个数据集上以更少参数、更快推理和更低能耗达到有竞争力的分类性能。

研究背景与动机¶

领域现状：异构图神经网络（HGNNs）如 HAN 能有效处理多类型节点和边，捕获丰富的结构和语义信息。SNN 已在计算机视觉和同构图（SpikingGCN、SpikeGCL）中取得成功。
现有痛点：HGNNs 通常结构复杂——HAN 为每条元路径分配独立的注意力模块，导致参数量、内存和计算资源随元路径数增长显著增加，难以部署到资源受限设备。
核心矛盾：异构图学习需要有效的异构信息建模能力，但现有方法的计算开销过大。SNN 的二值稀疏通信天然适合低能耗场景，但尚未在异构图上被探索。
本文目标：设计一种低能耗、高效率的异构图神经网络，能在资源受限环境下运行。
切入角度：用共享参数的单层 GCN 替代 HAN 的多独立聚合模块以简化模型，再用 SNN 将异构信息编码为脉冲序列实现二值化。
核心 idea：共享参数的简化异构图卷积 + SNN 的脉冲编码 = 低能耗的异构图学习。

方法详解¶

整体框架¶

三个组件：(1) 共享卷积与注意力——单层共享参数 GCN 对每条元路径聚合邻居信息，语义级注意力融合多元路径语义；(2) 全连接层与 SNN——线性变换后作为 SNN 输入电流，执行积分-发射-重置生成脉冲序列；(3) 脉冲统计与预测——对多时间步的脉冲输出做平均池化得到类别发射率作为分类预测。

关键设计¶

共享参数单层图卷积
- 功能：用最小复杂度的共享卷积聚合每条元路径的邻居信息。
- 核心思路：不同于 HAN 为每条元路径 \(\Phi_p\) 分配独立聚合模块，SpikingHAN 使用同一个权重矩阵 \(W_1\) 对所有元路径执行标准 GCN 卷积：\(h_i^{\Phi_p} = \sigma(\sum_{j \in N_i^{\Phi_p}} h_j^0 \cdot W_1 / \sqrt{\tilde{D}_i \cdot \tilde{D}_j})\)。生成 \(P\) 组元路径特定的节点嵌入 \(\{h^{\Phi_1}, ..., h^{\Phi_P}\}\)。
- 设计动机：独立模块导致参数量与元路径数线性增长且易过拟合。共享参数大幅减少复杂度同时保持表达能力——不同元路径的语义差异通过后续注意力机制区分。
语义级注意力与 SNN 编码
- 功能：自适应学习不同元路径的重要性并融合，然后编码为脉冲表征。
- 核心思路：语义注意力权重 \(\beta_{\Phi_p} = \text{softmax}(\frac{1}{|V|}\sum_i q^T \cdot \tanh(h_i^{\Phi_p} \cdot W_2 + b))\)，加权聚合 \(H = \sum_p \beta_{\Phi_p} \cdot h^{\Phi_p}\)。然后送入去除非线性激活和偏置的简化全连接层 \(H \cdot W_3\) 作为 SNN 输入电流。SNN 使用 PLIF（参数化 LIF）模型，\(\tau_m\) 可学习，通过积分-发射-重置生成脉冲。最终分类通过多时间步脉冲平均 \(\hat{y} = \frac{1}{T}\sum_t \Theta(V^t)\)。
- 设计动机：SNN 的二值通信（0/1 脉冲）相比浮点值大幅降低计算和存储开销。简化全连接层（无非线性+无偏置）基于 LightGCN 的发现——图上深度不是关键因素。

损失函数 / 训练策略¶

交叉熵损失的半监督学习，surrogat gradient 反向传播。

实验关键数据¶

主实验¶

三个异构图数据集上的节点分类（Mi-F1, 20% 训练比例）：

方法	类型	DBLP	ACM	IMDB
GAT	同构 GNN	91.4	91.1	58.5
SpikingGCN	同构 SNN	88.7	91.2	51.3
HAN	异构 GNN	93.1	92.8	61.3
PHGT	异构 GNN	93.7	93.4	63.2
SpikingHAN	异构 SNN	93.7	93.3	62.9

消融实验¶

配置	效果	说明
独立 GCN vs 共享 GCN	共享更优	参数更少且避免过拟合
IF vs LIF vs PLIF	PLIF 最优	可学习时间常数更灵活
时间步 T=2/4/8/16	T=4 最优	太少信息不足、太多计算浪费
硬重置 vs 减阈值重置	减阈值更好	保留更多膜电位信息

关键发现¶

SpikingHAN 在 DBLP 上与 PHGT 持平（93.7%），在 ACM 上接近（93.3% vs 93.4%），证明 SNN 不牺牲性能。
参数量仅为 HAN 的约 1/3，推理速度更快，能耗显著降低。
PLIF 的可学习 \(\tau_m\) 对性能贡献显著——不同数据集需要不同的时间动态。
IMDB 数据集上性能较弱（62.9% vs 63.2%），可能因为 IMDB 的标签噪声更严重，SNN 的 binary 表征损失了部分辨别信息。

亮点与洞察¶

首次将 SNN 引入异构图：填补了 SNN 在异构图学习中的空白，证明了可行性和效率优势。
共享参数的极简设计：单层共享 GCN + 语义注意力就足以达到多层独立模块的效果，体现了"less is more"的设计哲学。
1-bit 表征的实用价值：脉冲编码将浮点嵌入压缩为 1-bit，对边缘设备部署有重大意义。

局限与展望¶

仅验证节点分类任务，链接预测、图分类等其他任务未涉及。
共享参数可能在元路径语义差异极大时不够表达力。
未在真实神经形态芯片上验证实际能耗收益。
IMDB 上的性能差距说明 SNN 的二值化表示对噪声标签更敏感。

评分¶

新颖性: ⭐⭐⭐⭐ 首次 SNN + 异构图的组合
实验充分度: ⭐⭐⭐⭐ 三个数据集+多维度效率分析+消融完整
写作质量: ⭐⭐⭐⭐ 结构清晰，与 HAN 的对比图示直观
价值: ⭐⭐⭐⭐ 对边缘部署异构图学习有实际意义