Scalable detection of higher-order interactions in network data
Institute of Data Science, University of Hong Kong(香港大学数据科学研究所);School of Computing and Data Science, University of Hong Kong(香港大学计算与数据科学学院)
本研究将超图重建视为局部信噪比判别问题,提出一种快速算法,可高效重建任意阶数的高阶交互,并给出信息论可检测性边界。
2026-10-07 cs.SI
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
Hypergraphx-data: a repository for higher-order network data
Central European University(中欧大学);University of St. Andrews(圣安德鲁斯大学);University of Trento(特伦托大学);Luiss University of Rome(罗马自由大学)
本研究提出Hypergraphx-data,一个用于更高阶网络分析的现实世界超图数据存储库,涵盖社交网络、生物学和金融等领域,支持加权、定向、时间序列和多层超图配置,并提供开放JSON格式和二值化格式以确保数据的可重复性和完整性。
2026-05-18 cs.SI physics.soc-ph
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
Exploring the Non-uniqueness of Node Co-occurrence Matrices of Hypergraphs
本研究针对超图投影到节点共现矩阵的非唯一性问题,提出搜索算法识别所有对应超图,分析运行时间与可并行性,并刻画非唯一条件,提供新框架与计算工具。
2025-06-20 cs.SI physics.soc-ph
Hypergraph Ego-networks and Their Temporal Evolution
同时涉及多个对象的交互在许多领域中普遍存在。这些交互所处的系统可以用超图来建模,超图是传统图的推广,其中每条边可以连接任何数量的节点。分析这些超图的全局和静态特性,导致了大量关于这些建模系统是如何构造的新发现。然而,人们对这些系统的局部结构以及它们如何随时间演变所知甚少。在本文中,我们提出了超图自我网络的研究,一种结构,可以用来模拟涉及一个单一的节点的高阶相互作用。我们还提出了超图自我网络的时间重建作为一个基准问题的模型,旨在预测超图的局部时间结构。通过将深度学习二进制分类器与爬山算法相结合,我们将提出一个模型,通过合并在多个域中发现的结构模式来重建超图自我网络。
2021-12-07 cs.SI
Recent Advances in Hypergraph Neural Networks
Shanghai University(上海大学)
本文系统综述了超图神经网络的最新进展,按架构将其分为五类主流模型,并分析了各类模型的应用、机制、贡献与挑战,为该领域的未来研究提供指导。
2025-03-11 cs.LG cs.SI
Reticula: A temporal network and hypergraph analysis software package
本文介绍 Reticula C++ 库和 Python 包,为静态与时序网络及超图提供合成生成、零模型、可达性计算和仓室模型模拟等工具,并通过缓存友好设计支持高性能多线程计算。
2023-06-11 cs.SI physics.soc-ph
Predicting Multi-actor collaborations using Hypergraphs
社交网络现在无处不在,其中大多数包含涉及多个角色(组)的交互,如作者合作,团队或组织中的电子邮件等。超图是有效捕获多角色交互的自然结构,而传统的二元图无法捕获。在这项工作中,预测合作的问题是解决,同时建模的协作网络作为一个超图网络。预测未来的多行动者合作的问题被映射到超边缘预测问题。鉴于高阶边缘预测是一个固有的困难问题,在这项工作中,我们限制到预测边缘(合作),已经在过去观察到的任务。在这项工作中,我们提出了一种新的使用超关联时间张量捕捉时变超图,并提供了一个张量分解为基础的预测算法。我们定量地比较超图为基础的方法与传统的二元图为基础的方法的性能。我们的假设,超图保存的信息,简单的图形破坏的实验证实了作者合作网络从DBLP数据集。我们的研究结果表明,超图为基础的方法来预测高阶合作(大小>4),这是非常困难的基于二元图的方法。此外,虽然预测大小>2的超图的合作在大多数情况下提供了更好的结果,平均增加约。不同尺寸的F分数为45%= {3,4,5,6,7}。
2014-01-24 cs.SI physics.soc-ph
A Hypergraph Neural Network Framework for Learning Hyperedge-Dependent Node Embeddings
CMU(卡内基梅隆大学);Adobe Research(Adobe研究院);Intel Labs(英特尔研究院)
在这项工作中,我们引入了一个超图表示学习框架,称为超图神经网络(HNN),共同学习超边缘嵌入以及超图中每个节点的超边缘相关嵌入。HNN在超图中为每个节点导出多个嵌入,其中节点的每个嵌入取决于该节点的特定超边。值得注意的是,HNN是准确的,数据高效的,灵活的,具有许多可互换的组件,并且适用于各种超图学习任务。我们评估的HNN框架的超边缘预测和超图节点分类的有效性。我们发现,HNN在所有基线模型和图中分别实现了7.72%和11.37%的总体平均增益,用于超边缘预测和超图节点分类。
2022-12-28 cs.DM cs.LG cs.SI
Preferential attachment hypergraph with high modularity
已经提出了许多工作,以产生随机图保持相同的属性,作为现实生活中的大规模网络。然而,许多真实的网络可以用超图更好地表示。很少有模型生成随机超图存在,没有一般的模型允许既保持幂律度分布和高模块化,表明社区的存在。提出了一个动态偏好连接超图模型,该模型具有划分社区的特点。我们证明了它的度分布遵循幂律,并给出了它的模块性的理论下界。我们将其特性与现实生活中的合著网络进行了比较,结果表明我们的模型具有良好的性能。我们相信,我们的超图模型将是一个有趣的工具,可用于许多研究领域,以更好地反映现实生活中的现象。
2021-03-01 cs.SI math.CO physics.soc-ph
Hypergraphs and City Street Networks
城市街道地图是空间复杂网络的一个特例。然而,城市并不局限于它的拓扑结构:它首先是一个几何对象,其特殊性是组织成短轴和长轴,称为街道。在这篇文章中,我们提出并讨论了两个算法,旨在恢复的概念,街道的图形表示的城市。然后,我们表明,所谓的街道的长度尺度几何。这一现象导致人们认为,城市是按照空间的延伸和分割的逻辑形成的。
2011-06-01 cs.SI physics.soc-ph
Annotated Hypergraphs: Models and Applications
超图提供了一种自然的建模语言,用于研究实体集之间的多元交互。许多多元交互是不对称的,节点扮演不同的角色。例如,在学术合作网络中,论文作者的顺序往往反映了他们对已完成工作的贡献的性质。为了对这些网络进行建模,我们引入了\emph{annotated hypergraphs}作为有向图的自然多元推广。带注释的超图形成了一个高度通用的框架,用于将元数据合并到多元图模型中。为了方便带注释超图的数据分析,我们为这些结构构造了一个角色感知的配置空模型,并证明了一个有效的马尔可夫链蒙特卡罗方案,从它的采样。其中的一些,如可拓性和模块性,自然推广并元对应。其他指标,如局部角色密度,是唯一的设置带注释的超图。我们说明了我们的技术在六个数字社交网络,并提出了详细的案例研究的安然电子邮件数据集。
2019-11-04 cs.SI physics.soc-ph stat.ME
PageRank algorithm for Directed Hypergraph
John von Neumann Institute, VNU-HCM(越南胡志明市国家大学约翰·冯·诺依曼研究所);Ho Chi Minh City University of Technology, VNU-HCM(越南胡志明市国家大学胡志明市理工大学)
在过去的二十年里,我们很容易看到万维网的链接结构被建模为有向图。在本文中,我们将万维网的链接结构建模为有向超图。此外,我们将开发这种有向超图的PageRank算法。由于缺乏万维网有向超图数据集,我们将PageRank算法应用到代谢网络,这是有向超图本身。实验结果表明,我们的新的PageRank算法是成功地应用到这个代谢网络。
2022-09-06 cs.LG cs.SI stat.ML
Hypergraph Laplacians in Diffusion Framework
网络是用于对发生交互的复杂系统进行建模的重要结构。在基本网络模型中,实体被表示为节点,并且它们之间的交互和关系被表示为边。然而,在一个复杂的系统中,我们不能把所有的关系都描述为成对的相互作用,而应该描述为高阶的相互作用。超图被成功地用于模拟复杂系统中的高阶相互作用。本文在扩散框架下提出了两个新的超图拉普拉斯算子。我们的拉普拉斯算子考虑了高阶相互作用之间的关系,因此不仅可以用来模拟超图上顶点之间的扩散,还可以用来模拟高阶结构之间的扩散。这些拉普拉斯算子可以用于超图上的不同网络挖掘问题,例如超图上的社会传染模型,超图上的影响研究和超图分类。
2021-02-17 cs.SI math.SP
Understanding High-Order Network Structure using Permissible Walks on Attributed Hypergraphs
本文提出属性超图上的许可游走框架,通过属性化 $s$-线图与关系图相交刻画高阶结构,并在时间属性的 Reddit 数据集上验证。
2024-05-07 cs.SI math.CO
Higher-order percolation processes on multiplex hypergraphs
高阶相互作用越来越被认为是从大脑到社会联系网络的复杂系统的一个基本方面。超图和单纯复形捕捉了复杂系统的高阶相互作用,并允许研究它们的高阶结构和它们的功能之间的关系。在这里,我们建立了一个评估超图鲁棒性的一般框架,我们描述了简单的和高阶渗流过程的关键属性。这个一般框架建立在随机多重超图集成的制定上,其中每一层的特征在于给定基数的超边。揭示了随机多重超图的高阶渗流过程、多重网络的相互依赖渗流过程和K-核渗流过程之间的关系。随机多重超图的结构相关性对其渗流性质有显著影响。多重超图上高阶渗流过程的广泛的临界行为阐明了不连续转移出现的机制,揭示了有趣的临界性质,可应用于高阶网络上传染病传播和传染过程的研究.
2021-04-12 cond-mat.dis-nn cs.SI physics.soc-ph
Analyzing, Exploring, and Visualizing Complex Networks via Hypergraphs using SimpleHypergraphs.jl
现实世界的复杂网络通常被建模为图。图的概念假设网络中的关系是二元的(例如,节点对之间的关系);然而,这并不总是适用于许多现实生活中的场景,例如点对点通信方案,论文合著或社交网络交互。对于这样的场景,通常情况下,底层网络更好,更自然地由超图建模。超图是图的一种推广,其中一条(超)边可以连接任何数量的顶点。超图允许建模者拥有多关系(多对多)网络的完整表示;因此,它们非常适合分析和发现此类数据结构中更微妙的依赖关系。使用超图需要新的软件库,以便能够对它们执行操作,从基本算法(例如搜索或遍历网络)到计算重要的超图度量,再到包括更具挑战性的算法(例如社区发现)。在本文中,我们提出了一个新的软件库,SimpleHypergraphs.jl,编写的Julia语言和设计的超图上的高性能计算,并提出了两个新的算法来分析其属性:s-介数和修改的标签传播。我们还提出了各种方法超图可视化集成到我们的工具。为了展示如何在实践中利用该库,我们讨论了基于2019年Yelp挑战数据集和基于权力的游戏电视剧建立的协作网络的两个案例研究。结果是有希望的,他们证实了超图的能力,提供更多的洞察力比标准的基于图的方法。
2020-03-28 cs.DM 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
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
Alignment and integration of complex networks by hypergraph-based spectral clustering
复杂网络具有丰富的多尺度结构,反映了它们所模拟的系统的动态和功能组织。通常需要同时分析多个网络,通过多种类型的相互作用或超越简单的成对相互作用来建模系统,但目前缺乏理论和计算方法来解决这些问题。在这里,我们介绍了一个框架,在这样的系统中使用超图表示的聚类和社区检测。我们的主要结果是一个推广的Perron-Frobenius定理,从中我们推导出有向和无向超图的谱聚类算法。我们通过应用程序来说明我们的方法,用于多个物种之间蛋白质-蛋白质相互作用网络的局部和全局对齐、民俗分类中的三方社区检测以及检测定向网络中重叠调节途径的集群。
2012-11-05 cs.SI physics.soc-ph q-bio.MN
Hypergraph Classification via Persistent Homology
本文提出利用持续同调定义超图的拓扑特征,用于超图分类,并在四个真实数据集上超越图神经网络基线模型,是首个系统应用持续同调于超图分类的研究。
2023-06-20 cs.SI math.AT
Love tHy Neighbour: Remeasuring Local Structural Node Similarity in Hypergraph-Derived Networks
Indian Institute of Science(印度科学院)
网络中的节点相似性问题已经激发了大量的节点对之间的此类度量,这些度量利用了底层的图结构。然而,高阶关系不能被单纯的图所丢失,因此,使用其扩展,即超图。在这样的设置中测量节点对之间的接近度需要修改相似性的拓扑度量,以免超图结构仍然未被充分利用。在这项工作中,我们提出了大量的超图为导向的节点对之间的相似性分数,从而提供了新的解决方案的链接预测问题。作为我们命题的一部分,我们提供了理论公式,以扩展基于图拓扑的分数超图。我们比较我们的分数与基于图的分数(超图到图的扩展)从国家的最先进的。使用现有的基于图的和建议的基于超图的相似性分数的组合作为分类器的功能预测链接比单独使用前者好得多。几个真实世界的数据集上的实验和定量以及定性分析相同的表现出的优越性,建议的相似性分数比现有的。
2021-10-30 cs.LG cs.SI
Higher-order Interaction Matters: Dynamic Hypergraph Neural Networks for Epidemic Modeling
针对传统流行病模型忽略高阶交互的问题,提出动态超图神经网络框架 EpiDHGNN,通过超图建模位置与个体层面的复杂关系,在源头检测与预测等任务上优于基线,为公共卫生决策提供可靠见解。
2025-04-01 cs.SI
Prototype-Enhanced Hypergraph Learning for Heterogeneous Information Networks
University of Amsterdam(阿姆斯特丹大学);University of Johannesburg(约翰内斯堡大学)
针对异构信息网络中依赖元路径、难以建模高阶关系的问题,提出原型增强超图学习方法,实现无元路径的节点分类并提升鲁棒性与可解释性。
2023-09-22 cs.LG cs.SI
Controllability and Observability of Temporal Hypergraphs
本文利用张量和非线性系统理论,将能控性与能观性概念推广至时序超图,建立基于张量的秩条件以判定其弱能控性与能观性,并通过合成与真实数据验证了该框架。
2024-08-22 cs.SI cs.SY eess.SY
Multiplex Bipartite Network Embedding using Dual Hypergraph Convolutional Networks
The Australian National University(澳大利亚国立大学);Alibaba Group(阿里巴巴集团);National University of Singapore(新加坡国立大学)
二分网络是一种图结构,其中节点来自两个不同的域,并且仅存在域间交互作为边。存在大量的网络嵌入方法来从具有同构和异构节点和边类型的一般图中学习向量节点表示,包括一些可以专门建模二分网络的独特属性的方法。然而,这些方法不足以对多重二分网络(例如,在电子商务中),其具有多种类型的交互(例如,点击、查询和购买)和节点属性。大多数真实世界的多路二分网络也是稀疏的,并且具有不平衡的节点分布,这对建模具有挑战性。在本文中,我们开发了一个无监督的双超图卷积网络(DualHGCN)模型,该模型可扩展地将多路二分网络转换为两组同质超图,并使用谱超图卷积算子,以及内部和内部消息传递策略来促进域内和跨域的信息交换,以学习有效的节点嵌入。我们使用四个真实世界的数据集对DualHGCN进行链接预测和节点分类任务的基准测试。我们广泛的实验表明,DualHGCN显着优于国家的最先进的方法,是鲁棒的稀疏水平和不平衡的节点分布。
2021-02-12 cs.LG cs.SI
Interpretable Hypergraph Learning via Neural Additive Models
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Illinois Institute of Technology(伊利诺伊理工学院)
针对超图学习缺乏可解释性的问题,提出超图神经加性网络(HGNAN),将神经加性模型扩展至高阶关系数据,在保持与最先进方法相当性能的同时,实现节点级与超边级任务的透明预测。
2026-10-07 cs.LG cs.SI
Hyperedge Interaction-aware Hypergraph Neural Network
Huazhong University of Science and Technology(华中科技大学)
针对现有超图神经网络忽视超边间交互的问题,本文提出 HeIHNN,通过三阶段传播和超边级卷积建模超边交互,并引入离群点移除机制,实验显示其性能具有竞争力。
2024-04-05 cs.LG cs.SI
Hypergraph Modeling and Visualisation of Complex Co-occurence Networks
在数据集中找到固有的或经过处理的链接可以发现潜在的知识。这篇文章的主要贡献是定义一个全球框架,使最佳的知识发现可视化呈现co-occupancy(即连接到元数据引用的链接数据实例组)-无论是固有的或处理-从一个数据集作为方面。超图非常适合于对共存关系建模,因为它们支持多向性,而图只支持成对关系。本文介绍了一种基于超图建模和可视化的信息空间的不同方面之间的有效导航。
2018-09-01 cs.DB cs.DM cs.SI
Equivariant Hypergraph Diffusion Neural Operators
University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Waterloo(滑铁卢大学);Purdue University(普渡大学);Georgia Tech(佐治亚理工学院)
超图神经网络(HNN)使用神经网络对超图进行编码,提供了一种有前途的方式来对数据中的高阶关系进行建模,并进一步解决建立在这种高阶关系上的相关预测任务。然而,高阶关系在实践中包含复杂的模式,往往是非常不规则的。因此,设计一个足以表达这些关系同时保持计算效率的HNN通常具有挑战性。受超图扩散算法的启发,本文提出了一种新的HNN架构,命名为ED-HNN,它可证明地表示任何连续等变超图扩散算子,可以建模广泛的高阶关系。将超图的星型展开与标准的消息传递神经网络相结合,可以有效地实现ED-HNN。ED-HNN在处理异嗜超图和构建深度模型方面进一步显示出巨大的优势。我们评估ED-HNN的节点分类在九个真实世界的超图数据集。ED-HNN在这九个数据集上的表现一致优于最佳基线,并且在其中的四个数据集上的预测精度达到2%以上的$\uparrow$。
2023-02-15 cs.LG cs.SI
Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation
在推荐系统中,当用户-项目交互数据稀疏时,经常使用社会关系来提高推荐质量。大多数现有的社会推荐模型利用成对关系挖掘潜在的用户偏好。然而,现实生活中的用户之间的交互是非常复杂的,用户关系可以是高阶的。超图提供了一种自然的方式来建模复杂的高阶关系,而其潜力,以改善社会推荐是未被开发。在本文中,我们填补了这一空白,并提出了一个多通道超图卷积网络,通过利用高阶用户关系来增强社交推荐。从技术上讲,网络中的每个通道都编码一个超图,通过超图卷积来描述一个常见的高阶用户关系模式。通过聚合通过多个渠道学习的嵌入,我们获得全面的用户表示,以生成推荐结果。然而,聚合操作也可能掩盖不同类型的高阶连接性信息的固有特性。为了弥补聚合损失,我们创新性地将自监督学习融入超图卷积网络的训练中,以分层互信息最大化的方式重新获得连通性信息。在多个真实数据集上的实验结果表明,该模型的性能优于SOTA方法,消融实验验证了多通道设置和自监督任务的有效性。我们的模型的实现可以通过https://github.com/Coder-Yu/RecQ获得。
2022-02-27 cs.IR cs.SI
DPHGNN: A Dual Perspective Hypergraph Neural Networks
IIT Delhi(印度理工学院德里分校);IIIT Delhi(德里印度信息技术学院);Meesho(Meesho公司)
DPHGNN通过双视角等变算子学习融合低阶图特征与高阶超图结构,在八个数据集上超越七个基线,并在电商RTO预测中提升约7%宏F1分数。
2024-05-26 cs.LG 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