本文提出了在超几何空间学习动态图形表示的方法,并引入了基于理论的时间编码方法的 Temporal GNN 用于建模动态性,设计了基于 HVGNN 的超几何图像变分自编码器用于生成具有随机性质的节点表征,此外还引入了超几何正态分布的可重参数采样算法,用于使 HVGNN 具有梯度优化能力,并在现实数据集上的实验中取得了优于现有基线的效果。
Apr, 2021
介绍了基于超伽马空间表示的图形学习的前沿技术,并重点介绍了超伽马浅层模型和超伽马神经网络技术以及其组件变体的技术细节,同时讨论了超伽马几何图形表示学习的进阶主题。
Nov, 2022
本研究探讨了将图而非超图作为表示实际世界互联系统的建模选择的影响,提出了超图投影导致高阶关系丢失的两个普遍模式,并量化了在无额外帮助下恢复丢失高阶结构的组合不可能性。此外,基于学习的超图重建方法通过使用超边分布的重要统计量,在不同设置下在 8 个真实世界数据集上展示了良好的性能,并通过蛋白质排名和链接预测的用例展示了重建超图的优势。
Jan, 2024
本文对当前超伽马线图神经网络的技术细节进行了全面的回顾,并将它们统一到一个通用框架中,并总结了每个组件的变体和相关应用,并提出了一些挑战,可能为进一步发展超伽马线空间的图学习成果提供指导。
Feb, 2022
本文提出了一种名为 LFH 的超图学习框架,能够通过动态超边构建和注意力嵌入更新利用图的异质性属性进行超图学习,在多个数据集上的实验证明其有效性。
Jul, 2023
通过全球节点和超边之间的全球关联以及捕捉节点和超边之间的局部连接性,提出了一种新颖的超图学习框架,称为 HyperGraph Transformer(HyperGT),该框架利用基于 Transformer 的神经网络结构来有效地处理超图结构化数据,实现了全面的超图表示学习,并在超图节点分类任务中取得了出色的性能,超过了现有方法,建立了新的基准水平。
Dec, 2023
本文介绍了一种新颖的超图分类算法,通过构建具有任意阶多项交互的超图,并采用超图种群来提高算法的性能和鲁棒性,在两个数据集上评估并证明了其相较于通用的随机森林分类算法具有良好的性能。
May, 2024
本文介绍 HyperGCN,一种用于属性超图上的半监督学习以及组合优化的图卷积网络,旨在解决超图中普遍存在的复杂关系建模问题。
Sep, 2018
本文介绍了一种名为超曲线图元学习器(H-GRAM)的新方法,通过从节点的局部子图中学习可传递的归纳偏见和集合超曲线元梯度,实现在处理不相关子图的查询任务上进行更快的学习,并展示了其在多种挑战性的少样本设置中学习和传递信息的有效性,并且相较于传统的欧几里得方法,在大型图数据集上能够更好地提高性能。
Oct, 2023
我们提出了一种新颖、简单、快速且高效的用于图像半监督学习的方法,该方法利用超高维度计算将数据样本编码成高维空间,并且通过 Hyper-dimensional Graph Learning 算法可以在图神经网络的节点表示上利用这种超高维度性质来实现信息聚合,从而取得与深度学习方法相媲美的预测性能,而无需进行计算昂贵的训练过程。
Feb, 2024