- 拓扑指导的超图变换网络:揭示结构洞察以改进表示
提出了一种拓扑引导的超图变换网络,通过保留结构本质学习图中的高阶关系,设计了简洁而有效的结构和空间编码模块将节点的拓扑和空间信息融入其表示,并提出了一种结构感知的自注意机制,从语义和结构角度发现重要节点和超边。实验证明,所提模型在节点分类任 - 局部最大熵与自由能原理,信念扩散及其奇异性
给出了对三个 Bethe-Kikuchi 变分原理的全面描述,包括它们与信念传播算法在超图上的关系。将信念传播方程的结构推广到定义连续时间扩散,解决最大熵原理 (A)、变分自由能原理 (B) 和一个不太常见的 Legendre 对偶于 A - 束超图网络
利用细胞韵奏增强了超图的表示方法,并设计了 Sheaf Hypergraph Neural Networks 和 Sheaf Hypergraph Convolutional Networks 模型,通过广泛的实验表明这种泛化显著提高了性能 - 利用上下文感知的自监督学习提升超边预测
这篇论文介绍了一种名为 CASH 的新型超边预测框架,通过上下文感知节点聚合和自监督对比学习来解决精确超边预测和减轻超边预测中的数据稀疏性问题,同时提出了超边感知增强方法来提高节点和超边的表示能力。
- 基于平滑先验的数据中的超图结构推断
从节点特征中推断出具有内在关系的有意义的超图结构,并通过概率建模推导出超图结构和节点特征之间的关系,从而实现了无监督推理方法来估计每个潜在超边的概率。实验结果表明,我们的方法在从数据中更高效地学习有意义的超图结构方面优于现有的超图结构推断方 - HYTREL:基于超图的表格数据表示学习
提出了一种名为 HYTREL 的表格语言模型,它利用超图捕捉表格数据的置换不变性和三种其他结构属性,从而在最小预训练条件下优于其他竞争基线,并可以将表格结构整合到其表示中。
- 非均匀超图的可伸缩张量方法
通过开发 TTST 算法,本文提出了可以改善门坎效应的高维数据处理方法,特别针对研究高维关系模型的超图。
- ICML从超图能量函数到超图神经网络
本文提出基于超图正则化能量函数的多个超图神经网络,论述了如何将最小化这些能量的结点嵌入技术,与参数化分类器结合进行端到端训练的过程,并通过实验证明了其优秀性能。
- 利用流和重新加权特征值进行有向图划分的快速算法
提供了一种基于对称正定半定规划的指向图划分算法,同时证明了此算法具备较好的扩展性。
- 学习高维超图动力系统的有效秩序
本文提出了一种方法,通过使用分析框架来确定所需的最小超图阶数,利用超图神经网络与机器学习技术,从合成数据和实际数据集中学习这些动态系统的动态结构和结果。
- SIGIRHyperFormer: 通过超图 Transformer 学习表现力强的稀疏特征表示
本文从图学习的角度,利用 Hypergraph Transformer 模型,通过在构造的超图上传递信息,得出在高维稀疏数据的特征表征学习中的相关性,从而更好地解决相关性的问题。
- 关于超图上三体相互作用非线性平均动力学的收敛性
本文研究在三体相互作用的离散时间非线性平均动力学中,超图作为描述和分析多体相互作用系统复杂行为的强大建模工具,通过一种基于权重、状态依赖邻居对的更新模式来更新顶点状态,并通过图的结构和更新的非线性之间的复杂相互作用来表现出高阶动力学效应,从 - CHGNN: 半监督对比超图学习网络
本文提出了一种使用自监督对比学习技术、适应性超图视图生成器以及改进的超图编码器的对比式超图神经网络(CHGNN),用于从已标记数据和未标记数据中学习,实验结果表明 CHGNN 在分类准确率方面优于 13 个竞争对手。
- 基于超图的机器学习集成网络入侵检测系统
使用超图来捕捉端口扫描攻击的演化模式,建立了一种基于超图度量的机器学习网络入侵检测系统,可实时智能地监测和检测端口扫描活动和对抗性入侵,具有鲁棒性和复杂动态的完美表现,检测性能近乎百分百。
- ICLR超图的 Ollivier-Ricci 曲率:一个统一的框架
通过将几何和拓扑学结合起来,曲率是一种功能强大且表达力强的不变量。我们开发了 ORCHID,这是一种灵活的框架,可以将 Ollivier-Ricci 曲率推广到超图,并证明结果曲率具有有利的理论特性,在不同领域的合成和实际超图上进行了广泛实 - 法律法规中的实体图提取──用于政策设计分析的原型
本文介绍了一个原型研究,该研究致力于量化公共政策设计的研究。该系统旨在自动化收集法律文件,注释它们,使用超图分析关键实体之间的相互关系。该系统针对 2003 年的《联合国教科文组织保护非物质文化遗产公约》进行了测试,该法律文献规定了保护文化 - 学习超图上的因果效应
本文从因果关系的角度出发,探讨了如何在超图中估计个体治疗效果 (ITE),并提出了一个新的超图神经网络框架以更好地建模高阶干扰。实验证明,与现有基线相比,我们的框架具有更好的表现。
- AAAI超图上的三向对比学习:我是我,我们是我们,我和我们
本文提出了 TriCL(三向对比学习)- 一种针对超图的对比学习框架,结合了数据扩充和负采样机制,使模型能够在节点嵌入中捕获微观和介观结构信息,并在多个基准测试中表现出色,尤其是在节点分类方面取得了显着的优势。
- SIGIRAHP:学习负样本用于超边预测
本文提出了一种基于对抗训练的超边预测方法,称为 AHP,能够在不依赖于任何启发式方案的情况下学习采样负样本,并在六个真实超图上展示出比现有最佳方法更高的 AUROC,常常甚至优于针对测试集定制的采样方案的变体。
- ICML基于超图和无向图的等效性的超图卷积网络
提出了 GHSC 框架,它不仅处理具有边独立顶点权重(EIVWs)的超图,还处理具有边相关顶点权重(EDVWs)的超图,并能够利用现有的 GCNN,从而大大简化了超图神经网络的设计。