从超图能量函数到超图神经网络

ICMLJun, 2023

From Hypergraph Energy Functions to Hypergraph Neural Networks

Yuxin Wang, Quan Gan, Xipeng Qiu, Xuanjing Huang, David Wipf

TL;DR本文提出基于超图正则化能量函数的多个超图神经网络，论述了如何将最小化这些能量的结点嵌入技术，与参数化分类器结合进行端到端训练的过程，并通过实验证明了其优秀性能。

Abstract

hypergraphs are a powerful abstraction for representing higher-order interactions between entities of interest. To exploit these relationships in making downstream predictions, a variety of hypergraph neural network architectures have recently been proposed, in large part building upon

hypergraphs neural networks energy functions node embeddings bilevel optimization

发现论文，激发创造

关系感知能量产生异构图神经网络的下降步骤

该研究提出了一种基于双层优化的异构图神经网络结构，其可以有效处理节点分类任务中的深度模型中可能出现的 oversmoothing 问题，并捕获异构图结构数据的长程依赖关系，同时能够建模不同节点类型之间的异质性关系，避免了过度平滑效应。实验结果表明，该模型可以取得有竞争力的节点分类精度。

Jun, 2022

用图神经网络进行超图节点分类

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

基于能量观点的图神经网络

本文针对图结构数据的分类问题，提出了一种基于能量的图神经网络模型，并成功实现了该模型，通过实验发现它在鲁棒性方面比标准的图卷积网络有明显提升，为未来基于能量的图神经网络研究开辟了新的方向。

Apr, 2021

MuseGNN：可解释且收敛的大规模图神经网络层

对于使用激活函数迭代降低能量函数的图神经网络 (GNN) 模型中的数据建模处理，本研究提出了一种基于采样的能量函数和可扩展的 GNN 层，以克服模型深度带来的挑战，并在最大的公开节点分类基准测试超过 1TB 大小的情况下，实现了较高的准确性和可扩展性。

Oct, 2023

关于超图神经网络的表达能力和泛化性

研究了超图神经网络的表达能力、学习和（结构）通用性的框架，着重研究如何从有限数据集中学习，并对任意输入大小的图推理问题进行结构上的泛化。

Mar, 2023

约束狄利克雷能量的深度图神经网络学习

该论文分析了深度图神经网络的瓶颈问题以及提出了一种基于狄利克雷能量的通用原则，通过该原则设计了一种新型深度图神经网络框架 - EGNN，并在实验结果中取得了最新颖的表现。

Jul, 2021

双曲线图神经网络

该研究的主要目的是学习图结构数据，提出了一种基于黎曼流形的新型图神经网络架构，并开发了一种可扩展的算法来模拟图的结构特性，并比较欧几里得和双曲几何。在实验中，我们证明了双曲 GNNs 在各种基准数据集上可以带来实质性的改进。

Oct, 2019

关于图神经网络的表达能力

该论文概述了图神经网络的 “表达能力” 概念，并就图神经网络的设计选择提供了有价值的见解。

Jan, 2024

规模化的双曲图神经网络：一种元学习方法

本文介绍了一种名为超曲线图元学习器（H-GRAM）的新方法，通过从节点的局部子图中学习可传递的归纳偏见和集合超曲线元梯度，实现在处理不相关子图的查询任务上进行更快的学习，并展示了其在多种挑战性的少样本设置中学习和传递信息的有效性，并且相较于传统的欧几里得方法，在大型图数据集上能够更好地提高性能。

Oct, 2023

双曲线图神经网络：方法和应用综述

本文对当前超伽马线图神经网络的技术细节进行了全面的回顾，并将它们统一到一个通用框架中，并总结了每个组件的变体和相关应用，并提出了一些挑战，可能为进一步发展超伽马线空间的图学习成果提供指导。

Feb, 2022