超图卷积和超图注意力

Jan, 2019

Hypergraph Convolution and Hypergraph Attention

Song Bai, Feihu Zhang, Philip H.S. Torr

TL;DR该研究引入了两个可端到端训练的操作符，在超图卷积和超图注意机制方面，以在高阶关系的图结构数据上有效地学习深度嵌入，并在半监督节点分类方面展示了其有效性。

Abstract

Recently, graph neural networks have attracted great attention and achieved prominent performance in various research fields. Most of those algorithms have assumed pairwise relationships of objects of interest. However, in many real applications, the relationships between objects are i

graph neural networks high-order relationships hypergraph convolution hypergraph attention semi-supervised node classification

发现论文，激发创造

图注意力回顾

本文针对图神经网络进行多个实验，并研究其在节点分类问题中的理论表现。研究结果指出，图注意力机制可以区分类内和类间边缘，重要边的权重得以保留，进而实现完美的节点分类。

Feb, 2022

超图神经网络

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

基于模 motif 的注意力机制的图卷称神经网络

本文提出了一种新颖的框架，可以在任意图上学习空间和关注卷积神经网络，通过子图归一化和自我关注层，可以显著提高传统图内核和现有深度模型的图分类基准。

Nov, 2018

HyperGCN: 超图上训练图卷积网络的新方法

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

双曲图注意力网络

本文首次尝试在双曲空间中使用带有注意机制的图神经网络，采用 gyrovector 空间将图中特征进行转换，并提出了基于双曲近似的注意机制来聚合特征。通过实验，与其他最先进的基准方法进行比较，证明了我们提出的超曲线图注意力网络模型的性能。

Dec, 2019

超网络知识图谱嵌入

本文提出一种基于超网络结构的张量分解方法，用于实现知识图谱中链接预测任务，取得了比 ConvE 和所有以前的方法更好的性能表现，同时能够作为张量分解模型的一种简化（相比较于卷积神经网络方法）而得到推广。

Aug, 2018

自注意力图池化

本文提出一种基于自注意力机制的图池化方法，使用图卷积实现自注意力，同时考虑节点特征和图拓扑结构，实验结果表明该方法在基准数据集上具有优异的图分类性能。

Apr, 2019

自监督的多通道超图卷积网络用于社交推荐

本文提出了多通道超图卷积网络模型，通过利用高阶用户关系来提高社交推荐系统的推荐质量，结合自我监督学习的方法以弥补聚合信息的损失。在多个真实数据集上的实验结果表明，该模型优于现有的其他方法。

Jan, 2021

DAGCN: 双重注意力图卷积网络

本研究提出了一种新的框架，双注意力图卷积网络，用于解决图分类任务中邻域汇聚和池化操作的问题，并通过实验比较证明了该模型优于其他基线模型和深度学习方法。

Apr, 2019

Seq-HyGAN: 基于超图注意力网络的序列分类

提出了一种名为 Seq-HyGAN 的超图注意力网络模型用于解决序列分类的挑战，并使用两级注意机制生成序列表示为超边，同时学习每个序列的关键子序列。实验结果表明，Seq-HyGAN 模型可以有效地分类序列数据并显着优于基线。

Mar, 2023