- 超图神经网络综述：深度和逐步指南
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。
- 可扩展的高阶张量积样条模型
在当前海量数据和透明机器学习的时代，为了在大规模操作的同时提供对方法内部工作的清晰数学理解，本论文提出了一种使用因子化方法来导出高度可扩展的高阶张量乘积样条模型的新方法，以解决目前大规模应用中可解释的半参数回归方法在模型复杂度和交互作用缺失 - EMNLP联合实体和关系提取：基于跨度修剪和超图神经网络
我们提出了一种基于超图神经网络的 PL-marker 模型的 Entity and Relation Extraction (ERE) 方法，采用高召回修剪机制来减轻错误传播，并在建立的超图上运行超图神经网络进行高阶推理，实验结果显示在 E - 超图回响状态网络
这篇文章介绍了一种超图回声状态网络（HypergraphESN）作为图回声状态网络（GraphESN）的推广，旨在高效处理超图结构数据，并导出了算法的收敛条件，讨论了与 GraphESN 相比的多样性。对于超图结构数据，对二元分类任务的数值 - 基于简单复合的花瓣拉普拉斯算子的高阶图卷积网络
针对复杂系统中的高阶交互作用，本论文提出了一种利用简单复合物的丰富数学理论的新方法，介绍了一种嵌入简单复合物中的高阶 Flower-Petals 模型，并引入了基于 FP Laplacians 的高阶图卷积网络 (HiGCN)，能够识别在不 - 张量超图神经网络和信号降噪之间的统一视角
利用张量 - 超图迭代网络在于超图信号去噪以及超图神经网络之间的等价关系，本研究设计了一种基于张量 - 超图迭代网络的方法，通过多步更新方案，有效应用于超图信号去噪问题。
- CAT-Walk: 基于集合漫步的归纳式超图学习
CAT-Walk 是一种基于时态高阶图的归纳式研究方法，使用 SetWalk 提取高阶因果模式，使用 SetMixer 池化策略和集合匿名过程隐藏超边的身份，并使用神经网络模型对超边进行编码。在 10 个超图基准数据集上的评估表明， CAT - AAAI基于图重构攻击的单纯神经网络隐私泄漏测量（学生摘要）
研究了图表示是否可以通过图重建攻击来倒推生成它们的图，提出了一种通过图解码器从表示中恢复出图的方法。通过对三种不同类型（GCN，GAT 和 SNN）的图表示进行研究，发现 SNN 输出具有更好的保护隐私的能力，这表明对于更高阶的节点信息，需 - 细胞注意力网络
介绍了细胞注意力网络 (CANs)，它在图的节点上定义数据，将图表示为一个单细胞复合体的 1 - 骨架，以捕捉更高阶的相互作用，并通过 2 种自掩模机制设计更广泛的图注意策略。实验结果表明 CANs 是一种与基于图的学习的最新成果相比，具有 - 复杂系统中高阶相互作用的物理学
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。
- k-simplex2vec: node2vec 的单纯扩展
我们提出了一种新颖的方法，将 Euclidean 特征与 simplicial 复合体相关联，从而为统计和机器学习工具提供了一种输入方式，同时扩展了 node2vec 算法以适用于更高维度的单纯形，从而揭示了单纯复合体的结构或图中更高阶的相 - 单纯神经网络
该研究介绍了单纯神经网络（SNNs），作为图神经网络在特殊拓扑空间，即单纯复合体上的一般化形式。这种新的神经网络结构，能够处理包括向量场或 n 重合作网络等更多元的数据，也定义了适当的卷积方式，并在合著关系复合体的数据丢失方面进行测试。
- 超越两两交互的网络：结构和动态
本文总结了一个新兴领域 —— 除了成双成对的相互作用的网络。本文介绍了表示高阶相互作用的方法，并重点讨论了高阶动力系统和动态拓扑的快速增长的研究，并集中讨论了传播、同步和游戏等的新兴现象，当这些波及的节点多于两个时，阐明了高阶拓扑与动态属性 - 超图上的随机游走
本篇研究提出了一种基于高阶网络结构的新型随机游走模型，探究高阶网络中的扩散过程及其对信息扩散的影响，旨在揭示复杂网络系统中偏向性信息传播机制并成功应用于多特征对象分类任务中。
- AAAI使用高阶特征交互在分层概率模型中的偏差 - 方差折衷
本研究提出了一种有效的算法来研究使用隐藏层和高阶交互的 Boltzmann 机的偏差 - 方差分解。研究结果表明，使用高阶交互可以产生更少的方差，具有相当的误差大小和使用隐藏层相似的数量级。
- 单纯闭包与高阶链接预测
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 - CVPR参与和交互：视频理解的高阶物体交互
本文提出了一种有效学习任意子对象之间的高阶相互作用的方法，用以改善细粒度视频理解的准确性，包括动作识别和视频字幕生成等领域，在两个大规模数据集 Kinetics 和 ActivityNet Captions 上取得了最先进的性能。
- 视频的记忆增强式注意力模型
本文提出了一种通过建模视频帧和描述概念之间的高阶交互来改善视频描述生成的方法。通过存储先前与之关联的视觉注意力，系统能够决定在已经看过和描述过的内容的基础上看什么并进行描述。这不仅可以实现更有效的局部关注，而且在生成每个单词时可以实现可处理 - 通过生成纠缠来分解变化因素
提出了一个通过 spike-and-slab 受限玻尔兹曼机实现高阶交互来分离数据变异因素的新模型，与以往不同的是该模型不需要使用潜在因素的监督信息来训练，并在面部表情分类任务中展示了其效果。