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

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

本文提出了一个新问题，分类了边依赖节点标签。为了解决这个问题，我们提出了一种新的超图神经网络 WHATsNet，它可以根据超边的不同，反映参与节点的不同重要性，并在多个任务中显示其优越性。

Jun, 2023

本文探讨了如何在图形分类中利用图卷积网络（graph convolutional networks）进行节点嵌入（node embeddings）、不可区分形式学习（representation learning）和不可区分形式学习（differentiable graph coarsening），并且没有牺牲稀疏性，为未来基于图形的神经网络研究指出了重要方向。

Nov, 2018

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

本文提出了一种名为 Dis-HGCN 的解缰离散超几何异构图卷积网络，旨在通过独立的信息传播来解缰语义特征和结构特征，以及通过超几何结构拉近数据分布和表示空间的差距，并在诸多真实世界异构图数据集上进行验证，结果证明其在超几何空间中解缰和表示异构图数据的有效性。

Jun, 2024

本文开发了一种在超图上扩散特征和标签的非线性扩散方法，通过超图结构进行扩散可以将其解释为超图平衡网络，并以此为节点内嵌，使用线性模型进行预测。该方法比几种超图神经网络更准确，训练时间也更短。

Mar, 2021

本文提出了一种基于信息理论的非监督图神经网络方法，即异构深度图 Infomax（HDGI），用于解决异构图的特征提取与表示问题，利用本地 - 全局互信息最大化捕获高级节点表示，并在分类和聚类任务上取得优秀的表现。

Nov, 2019

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