Deep Hyperedges: a Framework for Transductive and Inductive Learning on Hypergraphs
IBM T. J. Watson Research Center(IBM T. J. 沃森研究中心);Stanford University(斯坦福大学)
从社交网络到蛋白质复合体,再到疾病基因组,再到视觉数据,超图无处不在。然而,在超图上研究深度学习的研究范围仍然相当稀疏和新生,因为还没有一个有效的统一框架来在超图上下文中联合使用超边和顶点嵌入,尽管大量的先前工作已经显示了深度学习在图和集合上的效用。在这些最新进展的基础上,我们提出了\textit{Deep Hyperedges}(DHE),一个模块化的框架,共同使用的上下文和置换不变的顶点成员资格属性的超图中的超边进行分类和回归的转导和归纳学习设置。在我们的实验中,我们使用了一种新的随机游走过程,并表明我们的模型在大多数情况下都达到了基准数据集上最先进的性能。此外,我们研究了我们的框架在各种不同的非标准超图数据集上的性能,并提出了未来工作的几种途径,以进一步增强DHE。
2019-10-07 cs.LG cs.SI stat.ML
A local geometry of hyperedges in hypergraphs, and its applications to social networks
University of Notre Dame(圣母大学)
在由社交网络产生的许多真实世界数据集中,在数据点之间存在隐藏的高阶关系,这些关系不能使用图建模来捕获。使用更一般的超图概念来建模这样的社交网络是很自然的。在本文中,我们引入了一个新的局部几何的超图,它允许捕捉数据点之间的高阶关系的超边。此外,基于这种新的几何,我们还介绍了新的方法-超图中的最近邻方法-用于分析来自社会学的数据集。
2020-09-29 cs.LG cs.SI stat.AP
Enhancing Hyperedge Prediction with Context-Aware Self-Supervised Learning
Chung-Ang University(中央大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Hanyang University(汉阳大学)
本文提出超边预测框架CASH,通过上下文感知节点聚合解决节点关系捕获问题,并利用超边感知增强与双重对比的自监督学习缓解数据稀疏,在六个真实数据集上显著提升了预测准确率。
2025-01-30 cs.LG cs.SI
Hyperedge Anomaly Detection with Hypergraph Neural Network
University of Dhaka(达卡大学);University of Manitoba(曼尼托巴大学)
本研究提出一种无监督超图神经网络模型,用于检测超图中的异常高阶关联,经多个实际数据集实验验证其有效性。
2026-09-07 cs.AI cs.LG cs.SI
Unsupervised Multi-Scale Gromov-Wasserstein Hypergraph Alignment
University of Liverpool(利物浦大学);KTH Royal Institute of Technology(瑞典皇家理工学院)
提出无监督最优传输框架FALCON,通过多尺度GW目标联合对齐超图各层级,在真实超图扰动基准上,其对结构噪声鲁棒且性能优于相关基线。
2026-09-01 cs.LG cs.SI
HyperSearch: Prediction of New Hyperedges through Unconstrained yet Efficient Search
School of Electrical Engineering(电气工程学院);Kim Jaechul Graduate School of AI(Kim Jaechul人工智能研究生院)
本文提出 HyperSearch,用经验评分函数及其反单调上界在无约束候选空间中高效剪枝搜索,并在10个真实超图上验证其超边预测准确率优于现有方法。
2025-10-20 cs.LG cs.SI
A two-steps tensor eigenvector centrality for nodes and hyperedges in hypergraphs
School of Mathematical Sciences, Harbin Engineering University(哈尔滨工程大学数学科学学院);Academy for Advanced Interdisciplinary Studies, Northeast Normal University(东北师范大学前沿交叉科学研究院)
本文提出了一种基于张量的超图中心性度量方法,通过两步扩展树的极限几何容量解释,量化节点和超边的相对重要性。
2026-03-02 cs.SI math.CO
Effective and Efficient Attributed Hypergraph Embedding on Nodes and Hyperedges
The Hong Kong Polytechnic University(香港理工大学)
提出 SAHE 方法,通过引入高阶相似性度量 HMS-N 和 HMS-E 并设计高效优化算法,统一实现属性超图节点与超边嵌入,在嵌入质量和计算效率上显著优于现有方法。
2026-11-11 cs.SI
Hypergraph Contrastive Learning for both Homophilic and Heterophilic Hypergraphs
College of Computer Science and Technology, Jilin University(吉林大学计算机科学与技术学院);School of Mathematical and Computer Sciences, Heriot-Watt University(赫瑞斯泰大学数学与计算机科学学院);Department of Information Engineering and Computer Science, University of Trento(特伦托大学信息工程与计算机科学系)
HONOR提出一种适用于同质和异质超图的对比学习框架,通过两种互补机制提升超边和节点表示的判别性和鲁棒性。
2025-11-24 cs.LG cs.SI
Hyperedge Modeling in Hypergraph Neural Networks by using Densest Overlapping Subgraphs
University of Windsor(温莎大学)
针对超图神经网络的超边建模问题,提出基于凝聚贪心枚举的最稠密重叠子图求解算法以鲁棒构建超图,节点分类任务性能显著优于现有方法。
2024-09-16 cs.AI cs.LG cs.SI
The CAT SET on the MAT: Cross Attention for Set Matching in Bipartite Hypergraphs
Indian Institute of Science(印度科学院)
实体之间的关系可以用图来捕捉;但是那些高阶的关系--尤其是两种不同类型的实体之间的关系(我们称之为“左”和“右”)--需要一个“二分超图”。例如,给定左侧症状集合和右侧疾病集合,可以使用二分超边来很好地表示症状的子集(患者在给定时间点经历的)与疾病的子集(他/她可能被诊断患有的)之间的关系。超图节点嵌入的最新研究成果是从超图的超边学习节点对之间的自注意结构。在目前的工作中,给定一个二分超图,我们的目标是捕捉节点对之间的关系,从交叉产品之间的左,右超边,并称之为“交叉注意力”(CAT)为基础的模型。更确切地说,我们提出“二分超边缘链接预测“作为一个集匹配(SETMAT)的问题,并提出了一种新的神经网络架构称为CATSETMAT相同。我们在多个二分超图数据集上进行了大量的实验,以显示CATSETMAT的优越性能,我们将其与最先进的多种技术进行了比较。我们的结果还阐明了自我和交叉注意场景中的信息流。
2021-10-30 cs.LG cs.SI
CAT-Walk: Inductive Hypergraph Learning via Set Walks
University of British Columbia(不列颠哥伦比亚大学)
针对现有超图学习方法多适配静态场景或特定任务的问题,提出归纳式时序超图学习方法CAT-Walk,结合SetWalk高阶时序游走、SetMixer池化等技术,在10个基准数据集的超边预测等任务上表现优异。
2023-11-03 cs.LG cs.SI
Semi-supervised Hypergraph Node Classification on Hypergraph Line Expansion
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);George Mason University(乔治梅森大学)
本文提出超图线扩展方法,将顶点-超边对视为线节点以保留共现对称性,并验证其在五个数据集上半监督节点分类性能显著超越现有最优基线。
2023-04-13 cs.LG cs.SI stat.ML
HPRA: Hyperedge Prediction using Resource Allocation
许多现实世界的系统涉及高阶交互,因此需要复杂的模型,如超图。例如,一篇研究文章可能有多个合作作者,因此合作作者网络最好用超图表示。在这项工作中,我们专注于超边缘预测的问题。该问题在多个领域有着巨大的应用,例如预测社交网络中的新合作、发现代谢网络中的新化学反应等。尽管具有重要意义,但超边缘预测问题尚未得到足够的关注,主要是因为其固有的复杂性。在具有$n$节点的图中,潜在边的数目是$\mathcal{O}(n^{2})$,而在超图中,潜在超边的数目是$\mathcal{O}(2^{n})$。为了避免在如此巨大的空间中进行搜索,现有的方法通过以下两种方式来约束原始问题。一类算法假设超图是$k$ -一致的。然而,许多现实世界的系统并不局限于只有涉及$k$组件的交互。因此,这些算法不适合于许多现实世界的应用。第二类算法需要一个候选超边集,从中选择潜在的超边。在缺乏领域知识的情况下,候选集可以具有$\mathcal{O}(2^{n})$可能的超边,这使得该问题变得棘手。我们提出了HPRA -超边缘预测使用资源分配,第一次的同类算法,它克服了这些问题,预测超边缘的任何基数,而不使用任何候选超边缘集。HPRA是一种基于相似性的方法,其工作原理是资源分配过程。除了恢复丢失的超边,我们证明了HPRA可以预测未来的超边在广泛的超图。
2020-06-19 cs.SI
Inference of hyperedges and overlapping communities in hypergraphs
超图,编码任何数量的系统单元之间的结构化的相互作用,最近被证明是一个成功的工具来描述许多现实世界的生物和社交网络。在这里,我们提出了一个基于统计推断的超图的结构组织特征的框架。该方法允许以有原则的方式推断任何大小的缺失超边,并在存在高阶交互的情况下联合检测重叠社区。此外,我们的模型有一个有效的数值实现,它运行速度比二进算法从高阶数据投影的成对记录。我们将我们的方法应用到各种现实世界的系统中,在超边缘预测任务中表现出强大的性能,检测与交互所携带的信息保持一致的社区,以及对添加噪声超边缘的鲁棒性。我们的方法说明了一个超图概率模型的基本优势时,建模关系系统与高阶交互。
2022-11-11 cs.SI physics.data-an physics.soc-ph
HashNWalk: Hash and Random Walk Based Anomaly Detection in Hyperedge Streams
群体互动的序列,如电子邮件、在线讨论和合著,无处不在;它们自然地被表示为一系列超边。尽管它们具有广泛的潜在应用,超图中的异常检测(即,超边集)与图中的超边集相比,令人惊讶地很少受到关注。虽然将超图简化为图并应用现有的基于图的方法是诱人的,但根据我们的实验,考虑超图的高阶结构是值得的。我们提出了HashNWalk,一个增量算法,检测异常流的hyperedges。它维护和更新关于流的结构和时间信息的恒定大小的摘要。使用summary(近似矩阵的形式),HashNWalk可以测量每个新超边出现时的粗糙度。HashNWalk(a)快速:它几乎实时地处理每个超边,并且在几个小时内处理数十亿个超边,(b)空间高效:所维护的摘要的大小是预定义的常数,(c)有效:它成功地检测真实世界超图中的异常超边。
2022-10-15 cs.DS cs.SI
Classification of Edge-dependent Labels of Nodes in Hypergraphs
KAIST(韩国科学技术院);Carnegie Mellon University(卡内基梅隆大学)
本文提出超图节点的边依赖标签分类新问题,并设计 WHATsNet 利用超边内相对中心性位置编码区分节点角色,在六个数据集上优于十种方法并成功用于三类任务。
2023-06-05 cs.AI cs.SI
Sampling nodes and hyperedges via random walks on large hypergraphs
本文研究在大规模超图上通过随机游走同时采样节点和超边的方法,提出高阶随机游走的非回溯变体,并在大规模合著超图上验证了其估计效果。
2025-06-03 cs.DL cs.SI
Attributed Hypergraph Generation with Realistic Interplay Between Structure and Attributes
Kim Jaechul Graduate School of AI, KAIST(KAIST 金宰哲人工智能研究生院)
针对现有超图生成模型忽略节点属性及其与结构交互的问题,提出NoAH模型及参数学习过程NoAHFit,在九个数据集上优于八种基线模型。
2025-09-26 cs.SI
Minimizing Localized Ratio Cut Objectives in Hypergraphs
超图是对数据中的多路关系进行建模的有用抽象,超图聚类是检测此类数据中密切相关的节点组的任务。图聚类已经被广泛研究,并且有许多方法可以检测小的局部聚类,而无需探索整个输入图。然而,在超图中只有少数几种专门的局部聚类方法。在这里,我们提出了一个框架,局部超图聚类的基础上最小化局部比割目标。我们的框架在超图中的参考节点的输入集,并解决了超图最小$s$ - $t$切割问题的序列,以确定附近的良好连接的节点簇,基本上与输入集重叠。我们的方法扩展了基于图的技术,但更一般,并有新的输出质量保证。首先,我们的方法可以最小化新的广义概念的超图削减,这取决于特定配置的节点内的每个超边,而不仅仅是对切割超边的数量。第二,我们的框架有几个有吸引力的理论属性输出集群质量。最重要的是,我们的算法是强局部的,这意味着它的运行时间只取决于输入集的大小,并且不需要探索整个超图来找到好的局部聚类。我们使用我们的方法来有效地识别集群在超图的真实世界的数据与数百万个节点,数百万的hyperedges,和大的平均hyperedge大小与运行时间范围在几秒钟和几分钟之间。
2020-07-01 cs.DM cs.DS cs.LG
Neural Temporal Point Processes for Forecasting Directional Relations in Evolving Hypergraphs
Indian Institute of Science(印度科学学院)
本文提出一种基于时间点过程的序列生成方法,通过多阶段预测超图中的有向超边,有效缩小指数级搜索空间,在事件类型预测上性能显著提升。
2024-12-18 cs.AI cs.LG cs.SI
Hypergraph Mining via Proximity Matrix
CompleX Lab, School of Computer Science and Engineering, University of Electronic Science and Technology of China(电子科技大学计算机科学与工程学院)
本文提出连续值邻近矩阵以量化节点与超边的关系,通过链接预测、关键节点识别和社区检测任务验证了其有效性,优于基准算法。
2026-04-21 cs.SI math.ST stat.TH
Supervised Hypergraph Reconstruction
Cornell University(康奈尔大学)
我们研究了图数据分析中常见的一个问题:许多涉及高阶相互作用的现实世界复杂系统最好用超图编码;然而,它们的数据集通常最终只以投影的形式(带有二元边)被发布或研究。为了理解这个问题,我们首先建立一个理论框架来描述这个问题的影响和最坏的情况。分析激励我们制定的新任务,监督超图重建:重建现实世界的超图从其投影图,与一些现有的知识的应用领域的帮助。为了重建超图数据,我们从分析投影中的超边分布入手,在此基础上建立了一个包含两个模块的框架:(1)为了处理潜在超边的巨大搜索空间,我们设计了一个具有功效保证的采样策略,该策略将空间显着缩小到较小的候选集;(2)为了从候选中识别超边缘,我们进一步设计了两个工作良好的变体中的超边缘分类器,其捕获投影中的结构特征。大量的实验验证了我们的主张,方法和扩展。值得注意的是,我们的方法在硬数据集上的准确性优于所有基线。我们的代码和数据可以从bit.ly/SHyRe下载。
2022-11-23 cs.AI cs.DM cs.IR
Encapsulation Structure and Dynamics in Hypergraphs
本文研究真实世界超图中超边的封装结构,提出基于线图的度量方法,并分析其对扩散动力学的影响,证明非随机封装模式可加速传播。
2023-07-10 cs.SI math.DS physics.soc-ph
Retrieving Top-k Hyperedge Triplets: Models and Applications
本文提出基于超边交集大小优化来检索top-k超边三元组的高效算法,以揭示超图中图无法表达的局部群体交互模式,并在真实超图上验证了其洞察力和速度优势。
2024-11-21 cs.DM cs.SI physics.data-an
HEMI: Hyperedge Majority Influence Maximization
本文研究了超图上的影响力最大化问题。我们首先将独立级联(IC)模型推广到超图,证明了传统的影响力最大化问题仍然是次模问题。然后,我们提出了一个变种的影响力最大化问题(HEMI),其中一个寻求最大限度地提高超边的数量,其大多数节点的影响。我们证明了在所提出的扩散模型下HEMI是非次模的。
2016-06-16 cs.SI physics.soc-ph
Perplexity-Homophily Index: Homophily through Diversity in Hypergraphs
Leiden University(莱顿大学)
本文提出困惑度-同质性指数,用于量化超图中同质性,通过比较超边的多样性缺口来揭示同质性和异质性倾向的变化。
2025-11-24 cs.SI
Forman-Ricci Curvature for Hypergraphs
与基于图的复杂网络模型相比,超图是超越图的二元关系的更一般的结构。对于图,已经设计了测量其结构的不同方面的统计数据,并且正在进行研究以设计超图。Forman-Ricci曲率是一种基于黎曼几何的图的统计量,它通过对边而不是顶点的分析来强调网络中顶点之间的关系特征。尽管这个曲率的不同应用,它还没有制定超图。在这里,我们设计了有向和无向超图的Forman-Ricci曲率,其中图的曲率是一个特殊的情况。我们报告其上,下边界和相应的边界的图形的情况下。曲率量化了超边(弧)大小与超边(弧)顶点参与其他超边(弧)的程度之间的权衡。我们计算了两个大型网络的曲率:维基百科投票网络和\emph{Escherichia coli}代谢网络。在第一种情况下,曲率由超边缘大小决定,而在第二种情况下,曲率由超边缘度决定。我们发现,参与维基百科选举的用户数量与经验丰富的用户的参与密切相关。代谢网络的曲率值允许检测冗余和瓶颈反应。发现ADP磷酸化是代谢瓶颈反应,但逆反应不是代谢的中心。
2018-11-19 cs.DM cs.SI
Community detection of hypergraphs by Ricci flow
针对超图社区检测因节点高阶相互作用而复杂的问题,该研究定义超图Ricci流并证明其长时间存在性,提出基于该流的HyperRCD方法,实验验证其鲁棒性增强且性能具竞争力。
2025-05-18 cs.SI
Adaptive Expansion for Hypergraph Learning
针对超图经典扩展方法固定权重易致信息损失/冗余的问题,提出基于团扩展的自适应方法AdE,通过全局模拟网络选代表节点、距离感知核函数动态调权,在7个基准数据集上验证了其合理性、泛化性与有效性。
2025-02-21 cs.SI
A Stochastic Block Hypergraph model
针对超图缺乏简单社区结构生成模型的问题,提出基于聚类连接概率、满足三项标准的随机块超图模型,推导其分布特性,验证不同超边形成过程对社区多样性的影响,为社区相关研究提供简洁灵活的测试工具。
2025-01-14 cond-mat.dis-nn cond-mat.stat-mech cs.SI
HyperEF 2.0: Spectral Hypergraph Coarsening via Krylov Subspace Expansion and Resistance-based Local Clustering
Stevens Institute of Technology(史蒂文斯理工学院)
HyperEF 2.0利用扩展Krylov子空间提高超边有效电阻近似精度,并结合基于电阻的局部聚类与多级划分,在VLSI基准上以更快速度实现更小割和更优电导。
2025-11-10 cs.SI
Clustering Coefficient Reflecting Pairwise Relationships within Hyperedges
本文提出一种新的超图聚类系数,通过将超图转换为加权图来捕捉超边内部的成对关系,解决了现有方法将超边视为独立单元而遗漏节点间聚类模式的问题,并在理论和真实数据集上验证了其有效性。
2025-07-04 cs.DM cs.SI
HyperMAN: Hypergraph-enhanced Meta-learning Adaptive Network for Next POI Recommendation
针对下一个兴趣点推荐中的高阶关系建模和冷启动问题,提出超图增强元学习自适应网络,通过异构超边和多样性感知元学习提升推荐准确性。
2025-03-27 cs.IR cs.SI
Fatigued Random Walks in Hypergraphs: A Neuronal Analogy to Improve Retrieval Performance
超图是能够捕获超二元关系的数据结构。我们可以使用它们来建模二元关系,也可以建模实体组,以及这些组或所包含的子组之间的交集。在以前的工作中,我们探讨了使用超图作为索引数据结构,特别是一个能够无缝集成文本,实体和它们的关系,以支持面向实体的搜索任务。然而,随着更多的信息被添加到超图中,它不仅在大小上增加,而且它也变得更密集,使得有效地对节点或超边进行排序的任务变得更加复杂。随机游走可以有效地捕捉网络结构,而不会影响性能,或者至少在不确定性的宇宙中提供效率和有效性之间的可调平衡。为了获得更高的效率,通常需要更高数量的随机游走,这通常会导致更低的效率。受冯·诺依曼和大脑中神经元的启发,我们提出并研究了节点和超边缘疲劳的使用,作为一种在基于关键字的ad hoc检索过程中暂时限制随机游走的方法。我们发现,我们能够将搜索时间提高32倍,但也使MAP恶化了8倍。此外,通过区分节点疲劳和超边缘,我们能够发现,对于超边缘排名任务,当增加节点疲劳时,我们始终获得较低的MAP分数。另一方面,过度边缘疲劳的总体影响是稍微积极的,尽管它也稍微恶化了效率。
2021-04-12 cs.IR cs.SI
Hypercore Decomposition for Non-Fragile Hyperedges: Concepts, Algorithms, Observations, and Applications
针对现有超图$k$-核扩展假设超边脆弱的局限,提出基于成员保留比例的$(k,t)$-超核模型,证明其线性时间复杂度,验证真实超图的结构相似性,并展示其在多类超图分析任务中的应用。
2023-05-16 cs.DS cs.SI
Generative Hypergraph Models and Spectral Embedding
许多复杂的系统涉及两个以上的代理之间的相互作用。超图通过可以链接两个以上节点的超边来捕获这些高阶交互。我们考虑的问题,嵌入超图到低维欧氏空间,使大多数的相互作用是短程的。这种嵌入与许多后续任务相关,例如节点重新排序,集群和可视化。我们专注于两个谱嵌入算法定制超图恢复线性和周期性结构分别。在周期性的情况下,节点位于单位圆上。我们表明,这两个谱超图嵌入算法与一类新的生成超图模型。这些模型根据节点在嵌入空间中的位置生成超边,并鼓励短距离连接。它们允许我们通过最大似然来量化数据中周期性和线性结构的相对存在。它们还提高了节点嵌入的可解释性,并为超边缘预测提供了度量。我们展示了超图嵌入和后续任务-包括结构量化,聚类和超边缘预测-在合成和现实世界的超图。我们发现,超图的方法可以优于聚类算法,只使用二元边缘。我们还比较了几个三元边缘预测方法在高中接触数据,我们的算法改进了基准方法时,训练数据的量是有限的。
2023-01-05 cs.NA cs.SI math.NA
A spatial hypergraph model to smoothly interpolate between pairwise graphs and hypergraphs to study higher-order structures
提出一种带空间聚类分辨率参数的空间超图模型,可在成对图与大超边图之间平滑插值,并在固定空间结构下研究聚类、扩散和流行病传播随高阶结构的变化。
2025-04-09 cs.SI physics.soc-ph
The microscale organization of directed hypergraphs
Central European University(中欧大学);University of Trento(特伦托大学)
本文提出了一种框架,用于表征有向超图在微观尺度上的结构组织,通过指纹提取、互惠性测量和动机分析,揭示现实系统中的结构原理。
2025-12-16 cs.SI physics.soc-ph
Hard negative sampling in hyperedge prediction
针对超边预测中随机负采样导致负样本过易区分、模型过早收敛的问题,提出困难负采样方法HNS,在超边嵌入空间直接合成更具挑战性的负样本,显著提升预测准确性与鲁棒性,并可即插即用于各类基于表示学习的超边预测模型。
2025-03-11 cs.SI stat.OT
Influence Maximization in Hypergraphs Using A Genetic Algorithm with New Initialization and Evaluation Methods
针对普通图无法捕捉高阶交互的影响最大化问题,提出整合节点与超边影响的超图独立级联模型,结合超图集体影响优化初始化、适应度函数与变异算子的遗传算法,在合成与真实超图上性能优于对比方法。
2024-05-15 cs.NE cs.SI
Hypergraph Motifs and Their Extensions Beyond Binary
本研究提出超图模体(h-motifs)和特征轮廓(CP)来分析现实世界超图的结构设计原则、比较不同大小超图的局部结构并识别其领域,同时提出并行算法MoCHy及其扩展版本MoCHy-A+用于高效计算模体出现次数,并验证了其在节点分类和超边预测等任务中的有效性。
2023-10-24 cs.DB cs.SI
The theory of percolation on hypergraphs
本文针对超图高阶相互作用节点移除即失效的场景,提出区别于因子图渗流的超图渗流理论,通过消息传递与生成函数结合模拟验证其临界行为,揭示超图节点与超边渗流阈值不重合且无超弹性的特性。
2023-11-10 cond-mat.dis-nn cond-mat.stat-mech cs.SI
A class of models for random hypergraphs
尽管最近表现出的重要性,高阶相互作用的各种过程中,很少有灵活的(空)模型。特别是,大多数超图的研究集中在一个小的理论模型。在这里,我们介绍了一类随机超图模型,它显示了类似的复杂网络模型的灵活性水平,其中的主要成分是一个节点属于超边缘的概率。当这个概率是一个常数,我们得到一个随机超图在相同的精神作为Erdos-Renyi图。这个框架还允许我们引入不同的成分,如超图或空间随机超图的优先连接。特别是,我们表明,对于埃尔多斯-雷尼的情况下,有一个过渡阈值缩放为$1/\sqrt{EN}$,其中$N$是节点的数量和$E$的数量的超边。我们还讨论了一个随机的几何超图,它显示了一个阈值距离标度为$r_c^*\sim 1/\sqrt{E}$的渗流转变。对于这些不同的模型,我们提供了最有趣的措施的结果,并介绍了新的空间的情况下,表征超边的几何性质。这些不同的模型可以作为分析经验数据的基准。
2022-12-17 cond-mat.dis-nn cond-mat.stat-mech cs.SI
Spectral Detection on Sparse Hypergraphs
我们考虑从一组超边将节点分配到社区的问题,其中每个超边都是相邻节点社区分配的噪声观测。我们特别关注的稀疏制度的边缘的数量是相同的数量级的顶点。我们提出了一种谱方法的基础上推广的非回溯桥本矩阵超图。我们分析了其性能种植生成模型,并将其与其他谱方法和贝叶斯信念传播(这是证明是渐近最优的模型)。我们的结论是,所提出的谱方法检测社区时,信念传播,同时具有重要的优势,更简单,完全非参数,并能够学习的规则,根据该规则生成的超边没有先验信息。
2015-07-15 cond-mat.stat-mech cs.IR cs.SI