Dec, 2023

使用一阶消息传递进行超图节点表示学习

PDF
TL;DR本研究提出了一种新颖的单阶段信息传递范式，用于超图中的全局和局部信息传播模型，在超图节点表示学习的 Transformer 框架 HGraphormer 中引入此范式，通过结合注意力矩阵和超图拉普拉斯矩阵将超图结构信息注入 Transformer，实验表明 HGraphormer 在半监督超节点分类任务上表现优于最新的超图学习方法，提升准确率在 2.52% 至 6.70% 之间。
hypergraphsnode representation learningmessage passingglobal informationhgraphormer
发现论文，激发创造
  • 超图多层感知机：无需消息传递的超图学习

    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

  • 使用结构消息传递构建强大且等变的图神经网络

    通过在节点特征的基础上传播节点的 One-hot 编码，以学习每个节点周围的本地上下文矩阵以及保证置换等变性的消息和更新函数，我们提出了一种具有强大表达能力和等变性的消息传递框架，用于对图形网络进行建模，实验表明本模型可以更准确地预测合成数据上的图形拓扑性质，并在 ZINC 数据集的分子图回归任务中取得了最优结果。

    Jun, 2020

  • 分层互信息传递用于分子图学习

    使用层次神经消息传递结构对分子图进行学习，并在 ZINC 数据集和 MoleculeNet 基准集的数据集上验证其性能。

    Jun, 2020

  • 使用分级支持图进行下一级的消息传递

    通过引入分层支持图 (HSG)，该研究在 MPNN 中提出了一种解决局限性的策略，以促进图中的全局信息交流，经过理论分析和实证研究发现，HSG 能够在多个数据集上达到最先进的性能。

    Jun, 2024

  • HyperSAGE: 超图归纳表示学习的通用化

    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

  • PushNet：高效且自适应的神经消息传递

    本文介绍了一种异步信息传递算法，利用单个同步信息传递迭代来推动最相关的边，使用基于有意义的稀疏节点邻域的节点自适应接受场，通过学习和组合不同大小邻域上的节点表示来捕获多尺度的相关性，并在五个现实世界数据集上提出了半监督节点分类的竞争对手，具有明显的统计优势和更快的运行时间。

    Mar, 2020

  • 超图变换器用于半监督分类

    通过全球节点和超边之间的全球关联以及捕捉节点和超边之间的局部连接性，提出了一种新颖的超图学习框架，称为 HyperGraph Transformer（HyperGT），该框架利用基于 Transformer 的神经网络结构来有效地处理超图结构化数据，实现了全面的超图表示学习，并在超图节点分类任务中取得了出色的性能，超过了现有方法，建立了新的基准水平。

    Dec, 2023

  • 基于消息传递的超图神经网络：同质性和架构设计的共同视角

    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

  • 超图边表示学习

    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

  • 分级消息传递图神经网络

    提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架，通过生成 hierarchical structure，并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm，实现了对长程信息的高效访问，从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。

    Sep, 2020