- Ada-HGNN：自适应采样的可扩展超图神经网络
本研究介绍了一种适用于超图的新型自适应采样策略，并提出了随机超边增强技术和多层感知机模块，通过实验证明了该方法在显著降低计算和内存需求的同时，仍具备与传统超图神经网络和基线模型相当的性能水平，为在广泛应用中提高超图神经网络的可扩展性和效能铺 - 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。
- 用图神经网络进行超图节点分类
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 - ICLRLightHGNN: 将超图神经网络压缩为 MLPs，实现 $100 imes$ 速度提升
LightHGNN and LightHGNN$^+$ are proposed to eliminate the high-order structural dependencies of Hypergraph Neural Networ - 超边交互感知的超图神经网络
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。
- 超图变换器用于半监督分类
通过全球节点和超边之间的全球关联以及捕捉节点和超边之间的局部连接性，提出了一种新颖的超图学习框架，称为 HyperGraph Transformer（HyperGT），该框架利用基于 Transformer 的神经网络结构来有效地处理超图结 - 基于动量梯度的超图神经网络非定向攻击
通过设计一种新的 HGNNs 攻击模型，即 MGHGA，集中在修改节点特征上，本论文试图填补现有研究中对 HGNNs 敌对攻击的研究空白，通过在特征选择和特征修改模块中使用动量梯度机制和特征生成方法，MGHGA 能够在离散和连续数据集上有效 - 基于消息传递的超图神经网络：同质性和架构设计的共同视角
本论文旨在探讨超图学习方法和基准数据集的一些悬而未决的问题，其中提出了一种新的同质性概念，探索了高阶网络结构和动态的分析框架，并引入了 MultiSet 框架重新定义 Hypergraph Neural Networks。
- 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。
- 超图协同网络的稳定性与泛化性
该研究论文旨在建立协作网络核心层的算法稳定性，并提供泛化保证。分析揭示了协作网络中超图滤波器的设计原则，例如如何对数据和超图滤波器进行缩放以实现学习过程的统一稳定性。论文还通过实验结果在现实世界数据集上进行了说明。
- UniG-Encoder: 用于图和超图节点分类的通用特征编码器
设计了一种通用特征编码器 UniG-Encoder，可以同时、全面地利用节点特征和图 / 超图拓扑关系，对图和超图表示学习进行编码，从而提高节点分类等任务的性能。
- KDD超图节点边缘依赖标签的分类
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。
- 稀疏和局部网络用于超图推理
本文介绍了一种使用稀疏和局部超图神经网络（SpaLoc）学习解决大规模实际领域中这种问题的方法，其利用稀疏矩阵表示和信息足够性的抽样过程，提高了学习和推理的效率，并在几个实际且大规模的知识图谱推理基准测试中实现了最先进的性能。
- 关于超图神经网络的表达能力和泛化性
研究了超图神经网络的表达能力、学习和（结构）通用性的框架，着重研究如何从有限数据集中学习，并对任意输入大小的图推理问题进行结构上的泛化。
- HyperAttack：超图神经网络白盒敌对结构攻击的多梯度引导方法
本论文介绍了 HyperAttack-- 第一个针对超图神经网络的白盒子对抗攻击框架，提高了攻击成功率和时间效率，作为一种结构攻击方法，通过扰乱向目标节点连接的超边状态，并引导梯度和集成梯度。
- SHINE: 子超图归纳神经网络
本研究提出了一种基于超图的感知神经网络模型以实现基于亚图的预测，并将其应用于癌症分析以获得分子层面的生物学功能洞察。
- 超图对比学习中的数据增广：构造式和生成式
本研究旨在改善低标签环境下超图神经网络的泛化性能，提出 HyperGCL 方法，通过应用图像 / 图形上的对比学习方法构建超图的对比视图，其中包括从领域知识指导下的虚构方案以及利用超图生成模型进行数据驱动上的更有效视图的探索。实验结果表明， - 一种基于超图半监督学习的非线性扩散方法
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。
- AAAI超图神经网络
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