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