在节点分类的背景下，本文理论上证明了在超图上，大多数 HyperGNN 可以使用带有超图的加权团展开的 GNN 进行近似。通过加权团展开的 GNN，我们提出了一种简单高效的框架 WCE-GNN，用于超图节点分类，并在九个真实超图节点分类基准上的实验证明了 WCE-GNN 相比于最先进的 HyperGNN 具有更高的分类准确性，以及更好的内存和运行时效率。

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

该研究提出了一种基于双超图转换的边表示学习框架，将图中的边转换为超图的节点，并应用基于消息传递的技术进行边的表示学习和综合，并将其应用于图表示和分类中。结果表明该方法优于现有的图表示和汇聚方法。

Jun, 2021

基于超图扩散运算符，开发了 CoNHD 模型来解决边依赖节点分类任务的限制，通过扩展超图扩散算法来模拟节点 - 超边的相互作用，实现多输入多输出的函数模型。

May, 2024

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

论文提出了一种基于图神经网络的异构超图表示学习框架，利用小波基于局部超图卷积来表征多种非成对关系，并通过广泛的实验表明该方法优于其他方法，在垃圾邮件检测等任务中也有显著的优势。

Oct, 2020

通过新定义的超图，将无向超图、有向超图和嵌套超图的概念统一起来，以超边作为高阶事物之间的关联的单一结构，方便地表示一般和化学系统中的高阶关联，尤其适用于化学系统的机器学习。

May, 2024

该论文提出了一种基于超图卷积网络的新型框架 HNHN 来进行超图表示学习，其中包括非线性激活函数和灵活的归一化方案，实验结果表明与现有方法相比，在真实世界数据集上表现更好，具有更高的分类精度和速度。

Jun, 2020

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