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

使用高阶交互作用模型，研究 19 个数据集的时空演化，证明高阶交互作用种类多样，同一系统类型的数据集具有一致的高阶结构模式，同时，密度与强度是高阶组织的竞争指标，并提出高阶链接预测作为模型和算法的基准问题，发现与传统的成对链接预测有根本区别。

Feb, 2018

超图表示能学习到更高阶的链接预测，通过预处理算法识别出对称的子超图来提高广义魏斯费勒 - 利曼 1 算法的表达能力。

Feb, 2024

本文提出了一种基于组合目标函数的计算框架，用于聚类在分类间具有超图的复杂关系的节点，特别地，解决了超边标签的聚类，其中簇对应于经常参与相同类型的交互的节点组。

Oct, 2019

这篇论文介绍了一种名为 CASH 的新型超边预测框架，通过上下文感知节点聚合和自监督对比学习来解决精确超边预测和减轻超边预测中的数据稀疏性问题，同时提出了超边感知增强方法来提高节点和超边的表示能力。

Sep, 2023

本文提出了高阶超图行走作为一个新的框架来推广基于图的网络科学技术到超图中，并通过应用高阶模型分析真实世界的超网络数据和三个生成模型发现了超图结构的微妙和可解释性，表明当利用针对捕捉超图本地现象的工具时，超图结构化数据的分析更加丰富。

Jun, 2019

我们提出了一种名为 HeIHNN 的超边交互感知超图神经网络，旨在捕捉超边之间的相互作用，并引入了一种新的机制来增强超边和节点之间的信息流动。经过广泛的实验，在真实世界的数据集上，HeIHNN 相比现有方法表现出具有竞争力的性能。

Jan, 2024

本文提出了两种基于嵌入的方法 HSimplE 和 HypE，直接处理知识超图中的关系， 以解决链接预测问题，此外还开发了公共数据集、基准测试并进行了实验，证明所提出的模型比基准测试更 effective。

Jun, 2019

通过关系超图进行链接预测的研究，提出了两种框架，并通过相应的关系 Weisfeiler-Leman 算法和一些自然逻辑形式主义的广泛实证分析，证明了所提模型架构的表达能力。在各种关系超图基准测试中，所得到的模型架构明显优于每个基线模型，对于归纳链接预测具有领先水平的结果，从而开启了图神经网络在完全关系结构中的应用。

Feb, 2024