基于平滑先验的数据中的超图结构推断
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
本论文旨在探讨超图学习方法和基准数据集的一些悬而未决的问题,其中提出了一种新的同质性概念,探索了高阶网络结构和动态的分析框架,并引入了 MultiSet 框架重新定义 Hypergraph Neural Networks。
Oct, 2023
通过将关于超图结构的信息整合到训练监督中,我们提出了一种新的学习框架Hypergraph-MLP,它使用基于超图信号平滑性的损失函数来监督简单的MLP模型,在超图节点分类任务中表现出与现有基线相比具有竞争力的性能,并且在推理时更快且更稳健对结构扰动。
Dec, 2023
通过将节点属性数据纳入超图中的社区结构学习,本研究提出了一种统计框架 HyperNEO,可以增强合成和实际超图中社区结构的学习效果,同时将使用随机块模型等模型获得的学习表示应用降维方法 UMAP 可以将节点映射到二维向量空间,从而在实际超图中部分保留社区结构,促进了对实际复杂系统中高阶社区结构的研究和理解。
Jan, 2024
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
基础模型具有对世界关系动态的显著洞察力,但它们如何获得对世界混合关系的理解是一个关键问题。本研究引入了一个数学模型,将关系学习形式化为超图恢复,以研究基础模型的预训练。我们的框架将世界表示为一个超图,数据抽象为超边的随机样本。通过将丰富的图论集成到预训练模型的领域中,我们的数学框架提供了强大的工具,以独特的视角深入理解预训练,并可在各种场景下使用。作为示例,我们将该框架扩展到多模式学习中的实体对齐问题。
Jun, 2024