本文提出了一种简单而高效的几何模型适应方法，该方法利用超图的典型性寻求问题以适应并分割多重结构数据，同时在存在严重的异常值情况下。

Feb, 2018

本文提出了一种有效的超图重构方法，该方法结合了超图的分布分析、采样策略和超边分类器，能够从现有的图数据中重建出真实超图，表现优于所有基准方法。

Nov, 2022

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

本文通过实证研究探索了多个领域的真实超图数据集，并引入多级分解方法，探讨了其五个结构特性，为超图生成问题建立了基础，并提出了一个简单而有效的超图生成器模型。

Jun, 2020

为优化基于超图的数据表示学习中的超图结构，我们提出一种名为 DeepHGSL 的深度学习超图结构学习的通用范式，并引入信息瓶颈原理来构建损失函数，以减少超图结构中的噪声信息，从而提取更加鲁棒的特征表达，在四个基准数据集上的实验结果表明了模型的有效性和鲁棒性。

Aug, 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

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

本文提出了一种基于泊松度校正超图随机块模型（DCHSBM）的聚类方法，该方法利用最大似然推断来实现超图聚类，其聚类目标扩展了图的流行性目标，使用了一种新的基于节点整合的变化，具有高可扩展性。通过综合分析各种实验数据，包括学校联系网络、U.S. 国会议案、合作购买行为的产品类别和网站浏览会话的酒店位置，作者发现该聚类方法能够恢复具有相应高阶结构的真实聚类。

Jan, 2021

本研究提出了一种超图神经网络 (HGNN) 框架，可以通过超图结构编码高阶数据相关性，并使用超边卷积操作处理数据相关性，以有效地进行数据表示学习。实验结果表明，HGNN 方法优于最新的最先进的方法，并且可以处理现实世界中的复杂数据和多模数据。

Sep, 2018