超图的核心-边缘模型
本文提出了一种基于超图的核心恢复方法,该方法可以从观测到的超图中恢复出核心节点,这是因为核心节点是超图的命中集。实验结果表明,该方法可以应用于各个领域,并且在真实世界中的数据集上表现出色。
May, 2019
通过实验得出以下结论:(a)小n足以实现精度与近乎完美近似值相当, (b) 当任务变得更加具有挑战性时,大的n会带来更多益处, (c) 对于那些成对交互不太能够说出高阶交互的数据集,在降为两两抽象时,将失去很多精度。
Jan, 2020
本文提出了一个新问题,分类了边依赖节点标签。为了解决这个问题,我们提出了一种新的超图神经网络WHATsNet,它可以根据超边的不同,反映参与节点的不同重要性,并在多个任务中显示其优越性。
Jun, 2023
从节点特征中推断出具有内在关系的有意义的超图结构,并通过概率建模推导出超图结构和节点特征之间的关系,从而实现了无监督推理方法来估计每个潜在超边的概率。实验结果表明,我们的方法在从数据中更高效地学习有意义的超图结构方面优于现有的超图结构推断方法。
Aug, 2023
利用细胞韵奏增强了超图的表示方法,并设计了Sheaf Hypergraph Neural Networks和Sheaf Hypergraph Convolutional Networks模型,通过广泛的实验表明这种泛化显著提高了性能,在多个超图节点分类基准数据集上取得了最佳结果。
Sep, 2023
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
我们提出了一种基于随机游走的新方法,用于超图上的标签传播,其中我们将节点距离估计为随机游走的预期命中时间,并引入了困惑随机游走来更好地描述高度复杂的实际超图。我们还将我们的方法与DeepWalk进行了基准测试,结果显示在目标数量较小的情况下,FRW在运行时间上具有明显的计算优势。最后,我们分析了我们方法的时间复杂度,并表明对于大型稀疏的超图,复杂度近似为线性,优于DeepWalk的替代方案。
Jan, 2024
本研究综合探索了超几何网络模型中重要特征核心-边缘结构,通过对流行度-相似度优化模型(PSO)和S1/H2模型的研究,使用基于标准随机行走马尔可夫链模型的方法研究了核心-边缘结构。观察到的核心-边缘集中度值表明,在某些条件下,核心-边缘结构可能非常显著。通过对网络几何结构中观察到的核心-边缘结构的显著性进行统计验证,验证了我们的发现。本研究扩展了网络科学,并揭示了适用于各个领域的核心-边缘洞察力,提升了交通和信息系统的网络性能和韧性。
Jun, 2024