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

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

综述文章介绍了深度学习在高阶相互作用、超图神经网络等方面的研究，涵盖了架构、训练策略和应用，并讨论了存在的局限性和未来发展方向。

Apr, 2024

该研究引入了两个可端到端训练的操作符，在超图卷积和超图注意机制方面，以在高阶关系的图结构数据上有效地学习深度嵌入，并在半监督节点分类方面展示了其有效性。

Jan, 2019

本篇研究提出了一种新的跳数交互范式 ——Hop Interaction paradigm 来同时解决 Graph Neural Networks 在可扩展性，平滑性方面的限制，并设计了 HopGNN 框架来优化模型效率和性能，最终实验结果表明该模型在广泛的数据集上表现卓越。

Nov, 2022

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

本研究介绍了一种新的原型增强的超图学习方法，用于异构信息网络中的节点分类，通过使用超图而不是图来捕捉节点之间的高阶关系和提取语义信息，方法利用原型的力量提升超图学习过程的稳健性，并有潜力为人类提供理解底层网络结构的见解。对三个真实世界的异构信息网络进行了广泛实验验证了我们的方法的有效性。

Sep, 2023

本文针对异构信息网络（HIN）的图表示学习进行了研究，并提出了一种新颖的基于异构图结构注意力神经网络（HetSANN）的方法，该方法在不需要领域专家设计元路径方案的情况下能够自动处理异构信息。实验证明，该方法相较于现有的 HIN 嵌入模型有显著和一致的提升。

Dec, 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

本文提出了一种新的深度超网络嵌入模型，采用非线性元组相似函数保持超网络中的本地和全局相似性，并且在 GPS 网络、在线社交网络、药物网络和语义网络上的实验结果表明，该方法能够显著且持续地优于现有算法。

Nov, 2017