Classification in biological networks with hypergraphlet kernels
Indiana University（印第安纳大学）
生物和细胞系统通常被建模为图，其中顶点表示感兴趣的对象（基因，蛋白质，药物），边表示这些对象之间的关系（绑定，相互作用，调节）。由于支持图表分析和学习的理论、方法和软件，这种方法非常成功。然而，图形，往往遭受信息丢失建模时，由于其无法准确地表示多对象的关系物理系统。超图是图的一种概括，它提供了一个框架来减少信息丢失，并统一不同的基于图的方法。在本文中，我们提出了一个基于超图的方法来建模物理系统，并制定顶点分类，边缘分类和链接预测问题（超）图的顶点分类（扩展，双）超图在半监督设置的实例。我们介绍了一种新的核方法的顶点和边标记（着色）超图的分析和学习。该方法是基于精确和不精确（通过超图编辑距离）枚举的小简单超图，称为hypergraphlets，植根于一个顶点的利益。我们广泛评估这种方法，并显示其潜在的使用在一个积极的未标记的设置，以估计蛋白质-蛋白质相互作用网络中的缺失和假阳性链接的数量。
2017-03-14 cs.LG stat.ML
Hypergraph Modeling via Spectral Embedding Connection: Hypergraph Cut, Weighted Kernel $k$-means, and Heat Kernel
University College London（伦敦大学学院）
我们提出了一个理论框架的多路相似性模型的实值数据到超图聚类通过谱嵌入。对于基于图割的谱聚类，通常通过使用核函数建模成对相似性来将实值数据建模为图。这是因为核函数与图割有理论上的联系。对于使用多路相似性比成对相似性更合适的问题，很自然地将其建模为超图，超图是图的推广。然而，尽管超图割已经得到了很好的研究，但还没有建立一个基于超图割的框架来建模多路相似性。在本文中，我们制定了多路相似性利用核函数的理论基础。我们表明我们的配方和超图切在两种方式，推广加权核$k$ -手段和热核，我们证明我们的配方之间的理论联系。我们还提供了一个快速算法的谱聚类。我们的算法经验显示出更好的性能比现有的图和其他启发式建模方法。
2022-08-16 cs.LG stat.ML
Hypergraphs on high dimensional time series sets using signature transform
Laboratoire ERIC（ERIC实验室）；Halias Technologies（Halias技术公司）；Université Claude Bernard Lyon 1（克莱门特-伯纳德里昂1大学）；Centre Léon Bérard（勒翁-贝拉德中心）
本文针对多元时间序列集合构建超图的问题，通过推广Chretien等人的方法并利用签名变换引入受控随机性以增强鲁棒性，在合成数据集上验证了方法的有效性。
2025-07-21 cs.LG stat.CO stat.ML
Hypergraph Convolution and Hypergraph Attention
University of Oxford（牛津大学）
近年来，图神经网络引起了人们的极大关注，并在各个研究领域取得了突出的表现。这些算法中的大多数都假设了感兴趣对象的成对关系。然而，在许多实际应用中，对象之间的关系是高阶的，超出了成对的公式。为了有效地学习高阶图结构数据上的深度嵌入，我们向图神经网络家族引入了两个端到端可训练算子，即，超图卷积和超图注意。虽然超图卷积定义了在超图上执行卷积的基本公式，但超图注意力通过利用注意力模块进一步增强了表示学习的能力。利用这两个算子，图神经网络可以很容易地扩展为更灵活的模型，并应用于观察到非成对关系的各种应用。半监督节点分类的大量实验结果证明了超图卷积和超图注意力的有效性。
2020-10-10 cs.CV cs.LG stat.ML
Hypergraph Convolutional Networks via Equivalency between Hypergraphs and Undirected Graphs
Tencent AI Lab（腾讯人工智能实验室）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
超图作为建模复杂关系的强大工具，在图学习社区中越来越受欢迎。然而，深度超图学习中常用的框架专注于具有边独立顶点权重（EIVW）的超图，而没有考虑具有更高建模能力的边依赖顶点权重（EDVW）的超图。为了弥补这一点，我们提出了一般超图谱卷积（GHSC），一个通用的学习框架，不仅处理EDVW和EIVW超图，但更重要的是，使理论上明确利用现有的强大的图卷积神经网络（GCNN），从而大大简化超图神经网络的设计。在这个框架中，给定的无向GCNN的图拉普拉斯算子被替换为统一的超图拉普拉斯算子，该超图拉普拉斯算子通过将我们定义的广义超图与简单的无向图等同，从随机游走的角度结合顶点权重信息。广泛的实验从各个领域，包括社会网络分析，视觉目标分类，蛋白质学习证明了国家的最先进的性能所提出的框架。
2022-07-23 cs.LG
Line Hypergraph Convolution Network: Applying Graph Convolution for Hypergraphs
IBM Research（IBM研究院）；Indian Institute of Science（印度科学研究所）
由于不同类型的图神经网络的出现，网络表示学习和图中节点分类得到了极大的关注。图卷积网络（GCN）是一种流行的半监督技术，它聚集每个节点邻域内的属性。传统的GCN可以应用于每个边仅连接两个节点的简单图。但是，许多现代应用程序需要在图中建模高阶关系。超图是处理这种复杂关系的有效数据类型。在本文中，我们提出了一种新的技术，应用图卷积的超图具有可变的超边大小。在超图学习文献中，我们首次使用超图的线图的经典概念。然后，我们提出使用图卷积的线图超图。多个真实世界的网络数据集上的实验分析表明，我们的方法相比，国家的最先进的优点。
2020-02-09 cs.LG cs.SI
Pruning Edges and Gradients to Learn Hypergraphs from Larger Sets
University of Amsterdam（阿姆斯特丹大学）；TNO（荷兰应用科学研究组织）
本文的目标是集超图预测，其中的目标是推断一组给定的实体的关系。这是粒子物理学、生物系统和组合优化中应用的一个通用抽象。我们解决了两个常见的缩放问题中遇到的设置到超图的任务，限制输入集的大小：指数增长的数量和运行时的复杂性，都导致更高的内存需求。我们做了三个贡献。首先，我们建议预测和监督的\emph{positive}边缘，这改变了渐近记忆缩放从指数到线性。其次，我们引入了一种训练方法，鼓励迭代细化预测超图，这允许我们在向后传递中跳过迭代，以提高效率和恒定的内存使用。第三，我们将这两个贡献结合在一个单一的超图模型中，使我们能够解决更大的输入集大小的问题。我们为我们的主要技术贡献提供了消融，并表明我们的模型优于现有的最先进技术，特别是对于较大的集合。
2023-01-16 cs.LG
Hypergraph Echo State Network
Tohoku University（东北大学）
本文提出超图回声状态网络（HypergraphESN），推广图回声状态网络以高效处理超图数据，推导收敛条件，实验表明其在二分类任务中准确率优于或相当于GraphESN，且高阶交互越多准确率越高。
2023-10-16 cs.LG
Edge Representation Learning with Hypergraphs
KAIST（韩国科学技术院）；AITRICS
图神经网络最近在表示图结构数据方面取得了显著的成功，在节点嵌入和图池方法方面都取得了快速进展。然而，他们主要集中在从考虑其连通性的节点中捕获信息，而在表示作为图的基本组成部分的边方面没有做太多工作。然而，对于诸如图重构和生成的任务，以及边缘对于区分很重要的图分类任务，准确地表示给定图的边缘对于图表示学习的成功至关重要。为此，我们提出了一种新的边表示学习框架的基础上的对偶超图变换（DHT），它转换到超图的节点图的边。这种双重超图的建设，使我们能够应用消息传递技术的节点表示的边缘。在从超图获得边缘表示之后，我们然后聚类或丢弃边缘以获得整体图级边缘表示。我们验证了我们的边缘表示学习方法与超图在不同的图形数据集的图形表示和生成性能，我们的方法大大优于现有的图形表示学习方法。此外，我们的边表示学习和池化方法在图分类上也大大优于最先进的图池化方法，这不仅是因为其精确的边表示学习，而且还因为其节点的无损压缩和有效的消息传递的不相关边的去除。
2021-10-29 cs.LG
Message Passing Neural Networks for Hypergraphs
超图表示更有效，也更适合于描述由两个或多个对象之间的关系表征的数据。在这项工作中，我们提出了一个新的图神经网络的消息传递的基础上能够处理超图结构的数据。我们表明，该模型定义了一个超图的神经网络模型的设计空间，从而推广现有的超图模型。我们报告的基准数据集上的节点分类实验，突出了所提出的模型的有效性，相对于其他国家的最先进的方法的图形和超图。我们还讨论了使用超图表示的好处，并在同一时间，突出使用等价图表示的限制时，潜在的问题有两个以上的对象之间的关系。
2022-04-07 cs.LG
From Graphs to Hypergraphs: Hypergraph Projection and its Remediation
Cornell University（康奈尔大学）
本文研究超图投影为图导致的高阶结构信息丢失问题，揭示两类导致信息丢失的超边模式并证明无辅助信息时恢复的不可能性，进而提出基于学习的超图重建方法，在多个真实数据集上验证了其有效性和应用价值。
2024-01-16 cs.IR cs.LG cs.SI
Scalable Hypergraph Embedding System
The University of Texas at Austin（得克萨斯大学奥斯汀分校）；The University of Tehran（德黑兰大学）；Stanford University（斯坦福大学）
利用图嵌入可以解决网络数据中的节点分类、链接预测等问题。然而，很难使用图来捕捉非二元关系，如社区的节点。这种复杂的关系用超图来表示更自然。虽然超图是图的推广，但最先进的图嵌入技术不足以在合理的时间内准确地解决大型超图上的预测和分类任务。在本文中，我们介绍了HyperNetVec，一个新的分层框架，可扩展的无监督超图嵌入。HyperNetVec利用共享内存并行性，能够在几分钟内为具有数百万个节点和超边的真实超图生成高质量的嵌入，而现有的超图系统要么无法处理如此大型的超图，要么可能需要几天时间才能生成嵌入。
2022-01-25 cs.LG cs.SI
UniGNN: a Unified Framework for Graph and Hypergraph Neural Networks
Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University（上海交通大学图像处理与模式识别研究所）
超图作为一种能够灵活表达实体间高阶关系的结构，近年来受到了各个领域的广泛关注。尽管图神经网络（GNN）在图表示学习方面取得了成功，但如何将强大的GNN变体直接适应超图仍然是一个具有挑战性的问题。在本文中，我们提出了UniGNN，一个统一的框架，用于解释图和超图神经网络中的消息传递过程，它可以将一般的GNN模型推广到超图。在这个框架中，旨在深化GNN的精心设计的架构也可以以最少的努力被合并到超图中。已经进行了大量的实验来证明UniGNN在多个真实世界数据集上的有效性，这些数据集的性能远远优于最先进的方法。特别是对于DBLP数据集，我们将半监督超节点分类任务的准确率从77.4%提高到88.8%。我们进一步证明了所提出的基于消息传递的UniGNN模型在区分非同构超图方面最多与一维广义Weisfeiler-Leman（1-GWL）算法一样强大。我们的代码可在\url{https://github.com/OneForward/UniGNN}上获得。
2021-05-03 cs.LG cs.SI
