深度超图结构学习
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
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
提出了一种针对超图的新型生成性自监督学习策略，通过超边填充的生成性自监督任务来学习复杂的超图拓扑，其中的方法 HypeBoy 在 11 个基准数据集上优于 16 种基线方法，学习了有效的通用超图表示。
Mar, 2024
提出了一种基于同质性增强的结构学习方法（HoLe），通过两个聚类导向的结构学习模块对图结构进行了优化，并通过交替训练同质性增强的结构学习和基于 GNN 的聚类来实现它们的相互作用，在多个基准数据集上证明了其优越性。
Aug, 2023
我们提出一种新颖的鲁棒图结构学习方法，从异质数据中构建高质量的图，进而应用于下游任务。我们首先使用高通滤波器对每个节点进行编码，使其与邻居节点更具有区分度，然后学习一个具有自适应范数的鲁棒图，进一步利用新颖的正则化方法来改进图的结构。对异质图的聚类和半监督分类实验证明了我们方法的有效性。
Mar, 2024
本文介绍了 HyperSAGE，这是一种新的超图学习框架，它使用了双层神经消息传递策略来准确高效地通过超图进行信息传播，并比基准数据集上的现有方法表现更好，具有更高的表达能力和更稳定的节点表示。
Oct, 2020
使用图神经网络（GNNs）学习连贯且有区分力的节点表示以进行聚类在深层图聚类中已经显示出了良好的结果。然而，现有方法忽视了表示学习与结构增强之间的相互关系。该研究表明，增强嵌入和结构的协同作用对于释放 GNNs 在深层图聚类中的潜力变得必要。可靠的结构促进获取更连贯的节点表示，而高质量的节点表示可以指导结构的增强，从而提高结构的可靠性。此外，现有基于 GNNs 的模型的泛化能力相对较差。尽管它们在具有高同质性的图上表现良好，但在具有低同质性的图上表现较差。为此，我们提出了一个名为 Synergistic Deep Graph Clustering Network（SynC）的图聚类框架。在我们的方法中，我们设计了一个名为 Transform Input Graph Auto-Encoder（TIGAE）的模型来获取高质量的嵌入，并用于引导结构增强。然后，在增强的图上重新捕捉邻域表示以获得适合聚类的嵌入，并进行自监督聚类。值得注意的是，表示学习和结构增强共享权重，从而大大减少了模型参数的数量。此外，我们引入了一种结构微调策略以提高模型的泛化能力。对基准数据集进行的大量实验证明了我们方法的优越性和有效性。代码已在 GitHub 和 Code Ocean 上发布。
Jun, 2024