高阶图神经网络（HOGNNs）是一类重要的 GNN 模型，能够利用顶点之间的多系关系来解决过度平滑或过度压缩等问题，显著提高 GNN 预测准确性，改进 GNN 架构，并能帮助选择最适合特定场景的 GNN 模型，提出了具有挑战与机遇的 HOGNN 进一步研究的全面列表。
Jun, 2024
使用高阶交互作用模型，研究 19 个数据集的时空演化，证明高阶交互作用种类多样，同一系统类型的数据集具有一致的高阶结构模式，同时，密度与强度是高阶组织的竞争指标，并提出高阶链接预测作为模型和算法的基准问题，发现与传统的成对链接预测有根本区别。
Feb, 2018
本文提出了一种新的 Higher Order Structure Embedded Network (HOSE-Net) 模型，通过结构感知嵌入到分类器模块和逐层语义聚合模块，用于解决场景图生成中的场景结构问题，并在视觉基因组和 VRD 数据集上取得了最好的性能表现。
Aug, 2020
为优化基于超图的数据表示学习中的超图结构，我们提出一种名为 DeepHGSL 的深度学习超图结构学习的通用范式，并引入信息瓶颈原理来构建损失函数，以减少超图结构中的噪声信息，从而提取更加鲁棒的特征表达，在四个基准数据集上的实验结果表明了模型的有效性和鲁棒性。
Aug, 2022
基于高阶连接模式的聚类可以揭示网络的高阶组织结构，此框架对于大规模网络的优化性能具有数学保证。
Dec, 2016
提出了 HoscPool，一种基于聚类的图池算子以及它的聚类组件，通过最小化松弛的基元谱聚类来学习概率群分配矩阵，从而丰富图形表示，并在图分类任务和地面真实社区结构图上取得了最佳表现。此外，对汇集算子的内部功能进行了深入的实证分析。
Sep, 2022
我们提出了一种基于高阶结构的异常检测方法（GUIDE），利用属性自编码器和结构自编码器对节点属性和高阶结构进行重建，并通过图注意力层评估邻居节点对节点的重要性，最终利用节点属性和高阶结构重建误差来寻找异常。在五个真实数据集上进行了广泛的实验，实验结果表明，GUIDE 在 ROC-AUC、PR-AUC 和 Recall@K 等指标上明显优于现有方法。
本文首次使用图神经网络 (GNNs) 实现高阶证明搜索，并证明 GNNs 能够提高此领域的最新成果。我们考虑了高阶逻辑的几种图形表示，并将它们与 HOList 基准进行了评估。
May, 2019
用复杂网络建模相互作用系统的动态已成为主要范例，但现实系统的高阶相互作用往往涉及三个或更多单元的团体，因此更好的工具是高阶结构，如超图和单形复合体，本文概述了高阶相互作用引发的集体行为及高阶系统物理面临的三个关键挑战。
Oct, 2021
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