- HC-GLAD:双超边对比学习用于无监督图层次异常检测
无监督图层级异常检测方法中,本文提出了一种新颖的双双曲对比学习方法(HC-GLAD),通过构建基于 gold motifs 的超图,并在双曲空间中进行图和超图嵌入学习,实现了对节点组连接、超图以及真实世界图层次的保留,并在多个真实世界数据集 - 基于超图群体的分类模型
本文介绍了一种新颖的超图分类算法,通过构建具有任意阶多项交互的超图,并采用超图种群来提高算法的性能和鲁棒性,在两个数据集上评估并证明了其相较于通用的随机森林分类算法具有良好的性能。
- 边缘依赖节点分类的共表示神经超图扩散
基于超图扩散运算符,开发了 CoNHD 模型来解决边依赖节点分类任务的限制,通过扩展超图扩散算法来模拟节点 - 超边的相互作用,实现多输入多输出的函数模型。
- 快速评估 Ollivier-Ricci 曲率下界:理论与计算的桥梁
我们提出了一种使用 Wasserstein 距离的广义 Ricci 曲率(ORC)的简化方法,该方法在计算复杂性上具有线性,特别适用于分析大规模网络,并通过大量模拟和对合成和真实数据集的应用来展示了该方法在评估 ORC 方面的显著改进。
- 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 - 点云数据插值上的超图 p-Laplace 正则化
探索了超图结构在不包含显式结构信息的点云数据插值中的优势,并证明了超图 $p$-Laplacian 正则化与连续型 $p$-Laplacian 正则化的变分一致性,利用随机原始 - 对偶混合梯度算法解决了凸但不可微的大规模优化问题,并通过数 - 基于超图的自监督学习与高效采样信号
SE-HSSL 是一个基于超图的自我监督学习框架,通过两个无需采样的目标和一个基于层次关系的对比目标来解决超图自我监督学习模型中的负样本采样偏差和计算效率问题。实验证明,与现有方法相比,SE-HSSL 在有效性和效率上都具有优势。
- 基于随机游走和一维卷积的简单数据学习
基于随机游走和快速一维卷积的单纯复合神经网络学习结构(SCRaWl),在考虑到高阶关系的同时,通过调整考虑的随机游走的长度和数量来调节计算成本的增加,从而超越现有的消息传递单纯复合神经网络,并在真实数据集上进行了验证。
- ICLRHypeBoy: 超图上的生成式自我监督学习
提出了一种针对超图的新型生成性自监督学习策略,通过超边填充的生成性自监督任务来学习复杂的超图拓扑,其中的方法 HypeBoy 在 11 个基准数据集上优于 16 种基线方法,学习了有效的通用超图表示。
- 高元数的 PAC 学习与可交换性
我们提出了一种高度相关的统计学习理论,其中假设是图,超图或更一般的有限关系语言中的结构,并用采样诱导的子结构代替 i.i.d. 采样,产生可交换分布。通过将高度相关的 PAC 可学习性以纯组合维度的有限性和适当的均匀收敛版本的条件来特征化, - 超磁拉普拉斯超图神经网络
我们提出了一种新的超图神经网络方法,其中超图被表示为一个不可逆的马尔可夫链,使用这个马尔可夫链构建了一个复杂的厄米拉普拉斯矩阵 - 磁拉普拉斯矩阵,该矩阵作为我们提出的超图神经网络的输入,并展示了其在节点分类任务上相比基于图缩减的超图神经网 - HyperBERT: 在文本属性化超图上混合超图感知层与语言模型进行节点分类
开发一种新的架构 HyperBERT,结合了超图的关系结构和预训练 BERT 模型,用于解决节点分类问题,并在 5 个具有挑战性的文本属性超图节点分类基准测试中取得了最新的最佳结果。
- 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 - 自适应超图网络用于信任预测
我们提出了一种自适应超图网络方法(AHNTP),通过使用高阶相关性来提高信任预测的准确性,并利用基于模式的 PageRank 来捕捉高阶社交影响信息,构建超组以整合复杂相关信息,并利用自适应超图图卷积网络(GCN)层和多层感知机(MLPs) - 超图矩阵完成问题:锐阈值和高效算法
这篇论文研究了基于子采样矩阵条目以及观察到的社交图和超图完成评分矩阵的问题,并展示了一个明确完成评分矩阵任务的样本概率的 “明确阈值”,即样本概率高于阈值时可以完成任务,否则不可能,从而显示出相变现象。
- 使用随机块模型推断带属性超图中的社区结构
通过将节点属性数据纳入超图中的社区结构学习,本研究提出了一种统计框架 HyperNEO,可以增强合成和实际超图中社区结构的学习效果,同时将使用随机块模型等模型获得的学习表示应用降维方法 UMAP 可以将节点映射到二维向量空间,从而在实际超图 - 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 - 组合复合体:跨越细胞复合体和超图之间的鸿沟
图形信号处理技术已成为处理非欧几里德空间中的数据的重要工具,然而,人们越来越意识到这些图形模型可能需要扩展到 ' 高阶 ' 领域,以有效地表示高维数据中的复杂关系。本文提出了一种新的观点,认为超图和细胞复合体强调不同类型的关系,具有不同的应 - 超图多层感知机:无需消息传递的超图学习
通过将关于超图结构的信息整合到训练监督中,我们提出了一种新的学习框架 Hypergraph-MLP,它使用基于超图信号平滑性的损失函数来监督简单的 MLP 模型,在超图节点分类任务中表现出与现有基线相比具有竞争力的性能,并且在推理时更快且更 - 使用一阶消息传递进行超图节点表示学习
本研究提出了一种新颖的单阶段信息传递范式,用于超图中的全局和局部信息传播模型,在超图节点表示学习的 Transformer 框架 HGraphormer 中引入此范式,通过结合注意力矩阵和超图拉普拉斯矩阵将超图结构信息注入 Transfor