HNHN: Hypergraph Networks with Hyperedge Neurons
Microsoft(微软);Columbia University(哥伦比亚大学);Mila;Université de Montréal(蒙特利尔大学)
超图为许多真实世界的数据集提供了自然的表示。我们提出了一个新的超图表示学习框架HNHN。HNHN是一个超图卷积网络,其非线性激活函数应用于超节点和超边,并结合了一个归一化方案,可以根据数据集灵活调整高基数超边和高度顶点的重要性。我们证明了改进的性能HNHN在分类精度和速度在现实世界的数据集相比,最先进的方法。
2020-06-22 cs.LG stat.ML
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
Hypergraph Attacks via Injecting Homogeneous Nodes into Elite Hyperedges
Northwestern Polytechnical University(西北工业大学);Guangzhou University(广州大学)
针对超图神经网络对抗攻击性能受限且易被检测的问题,提出IE-Attack框架,通过向精英超边注入同质节点提升攻击性能与隐蔽性,并在五个数据集上验证了其有效性。
2024-12-24 cs.AI cs.LG
Hypergraph: A Unified and Uniform Definition with Application to Chemical Hypergraph and More
IBM(国际商业机器公司)
本文针对传统超图定义在有向和嵌套方面缺乏标准的问题,提出统一且一致的新定义,并应用于化学超图,以单一数学结构表示分子和化学反应中的高阶关联。
2024-10-21 cs.LG q-bio.QM
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 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
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
Learning over Families of Sets -- Hypergraph Representation Learning for Higher Order Tasks
Purdue University(普渡大学);Amazon Web Services(亚马逊云科技)
图表示学习在过去的十年中取得了重大进展。然而,在许多关系域中,输入数据不适合于简单的图形表示,因为实体之间的关系超出了成对交互。在这种情况下,数据中的关系更好地表示为非均匀超图的超边(实体集)。虽然已经有关于用于学习超图的节点的表示的原则性方法的工作,但是这些方法在其对非均匀超图(具有不同基数的超边)上的任务的适用性方面是有限的。在这项工作中,我们利用关联结构开发一个超图神经网络学习可证明的表达表示的可变大小的超边,保持局部同构的线图的超图,同时也是不变的置换其组成顶点。具体来说,对于一个给定的顶点集,我们提出了(1)超边分类和(2)可变大小的扩展部分观察到的超边捕捉顶点和超边之间的高阶相互作用的框架。我们在多个真实世界的超图数据集上评估了性能,并在最先进的模型上展示了一致的,显著的准确性提高。
2021-01-19 cs.LG stat.ML
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
How Much and When Do We Need Higher-order Information in Hypergraphs? A Case Study on Hyperedge Prediction
Korea Advanced Institute of Science and Technology(韩国科学技术院)
超图提供了一种自然的方式来表示组关系,其复杂性促使大量的先前工作采用某种形式的抽象和简化高阶交互。然而,以下问题尚未得到解决:在解决超图任务时,对组交互的抽象程度是足够的,以及这些结果在不同的数据集之间会有多大的不同?这个问题,如果正确回答,提供了一个有用的工程指导方针,如何解决下游任务的复杂性和准确性之间的权衡。为此,我们提出了一种增量表示组交互的方法,使用n-投影图的概念,其累积包含多达n路交互的信息,并量化解决任务的准确性,因为n增长为各种数据集。作为一个下游任务,我们考虑超边缘预测,链接预测,这是一个典型的任务,用于评估图模型的扩展。通过对15个真实世界数据集的实验,我们得出了以下信息:(a)收益递减:小n足以达到与接近完美的近似相当的精度,(b)更大的n:随着任务变得更具挑战性,更大的n带来更多的好处,以及(c)不可约化:当被简化为成对抽象时,其成对交互不太能说明高阶交互的数据集损失了很多准确性。
2020-05-13 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
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
Inhomogeneous Hypergraph Clustering with Applications
UIUC(伊利诺伊大学厄巴纳-香槟分校)
超图划分是机器学习、计算机视觉和网络分析中的一个重要问题。一种广泛使用的超图划分方法依赖于最小化跨簇划分超边的成本的归一化和。基于这种方法的数学解决方案假设超边的不同分区产生相同的成本。然而,这种假设未能利用同一超边内的不同顶点子集可能具有不同结构重要性的事实。因此,我们提出了一个新的超图聚类技术,称为非均匀超图分区,它分配不同的成本不同的超边削减。我们证明了非齐次划分产生的最优解的二次近似,如果非齐次成本满足子模块化约束。此外,我们证明了非均匀划分提供了显着的性能改进的应用程序,如结构学习的排名,子空间分割和主题聚类。
2017-11-02 cs.LG stat.ML
HyperEF: Spectral Hypergraph Coarsening by Effective-Resistance Clustering
Stevens Institute of Technology(史蒂文斯理工学院)
本文介绍了一个可扩展的算法框架(HyperEF)的谱粗化(分解)的大规模超图利用超边有效电阻。受简单图的低电阻直径分解的最新理论框架的启发,HyperEF旨在将大型超图分解为多个节点簇,只有少数簇间超边。HyperEF中的关键组件是一种用于估计超边缘有效电阻的近线性时间算法,该算法允许结合超图上定义的最新基于扩散的非线性二次算子。为了实现良好的运行时可扩展性,HyperEF在Krylov子空间(或近似特征子空间)内搜索,以识别近似超边缘有效电阻的近似最佳向量。此外,一个节点权重传播计划的多级谱超图分解已被引入,以实现更大的节点粗化率。与最先进的超图划分(聚类)方法相比,在真实世界的VLSI设计上的大量实验结果表明,HyperEF可以更有效地粗化(分解)超图,而不会丢失原始超图的关键结构(谱)属性,同时实现hMetis上的$70\times$运行时加速和HyperSF上的$20\times$加速。
2022-12-03 cs.LG
Multi-granularity Adaptive Hypergraph Representation Learning via Granular-ball
针对现有超图方法忽视拓扑多样性与多粒度的问题,提出MGHRL框架,利用粒球自适应分裂生成多粒度超边,并通过多子网络与层次可逆连接整合特征,在基准数据集上显著优于基线。
2026-09-09 cs.LG
Hyperedge Representations with Hypergraph Wavelets: Applications to Spatial Transcriptomics
Yale University(耶鲁大学);Harvey Mudd College(哈维穆德学院);Boise State University(博伊西州立大学)
本研究针对多对象高阶关系建模需求,提出超图扩散小波方法并阐明其谱与空间特性,将其应用于空间转录组学的阿尔茨海默病疾病相关细胞生态位表征,验证了生物医学发现效用。
2024-09-14 cs.LG eess.SP q-bio.QM
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
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
Hyperbolic Hypergraph Neural Networks for Multi-Relational Knowledge Hypergraph Representation
National Engineering Research Center for Big Data Technology and System(国家大数据技术与系统工程研究中心);School of Computer Science and Technology(计算机科学与技术学院);Huazhong University of Science and Technology(华中科技大学)
针对知识超图表示中信息损失问题,提出双曲超图神经网络H2GNN,采用超星消息传递捕获层次结构,在节点分类和链接预测上超越15个基线方法。
2024-12-11 cs.AI cs.LG
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
Hypergraph Transformer for Semi-Supervised Classification
Shanghai Jiao Tong University(上海交通大学);University of Oxford(牛津大学);The Hong Kong Polytechnic University(香港理工大学);Shanghai AI Laboratory(上海人工智能实验室)
针对超图神经网络依赖局部消息传递难以捕捉全局结构信息的问题,提出基于Transformer的超图学习框架HyperGT,通过位置编码和结构正则化融合全局与局部信息,在节点分类任务上达到SOTA。
2024-06-02 cs.LG
Towards Trustworthy Hypergraph Neural Networks under Label Noise
Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);University of Chinese Academy of Sciences(中国科学院大学);School of Mathematics and Statistics, Shandong University(山东大学数学与统计学院);School of Artificial Intelligence, Beihang University(北京航空航天大学人工智能学院)
本文针对标签噪声下超图节点分类问题,提出超图鲁棒框架HyperTrust,通过估计超边可信赖性及两个协同模块优化超图结构,在多数据集多噪声设置下验证了其有效性。
2026-08-06 cs.AI 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
HypeRS: Building a Hypergraph-driven ensemble Recommender System
imec(IMEC(微电子研究中心));KU Leuven(荷语鲁汶大学)
提出首个基于超图排名的集成推荐系统HypeRS,通过区分真实与预测连接并分配不同超边权重,在四个数据集上优于单独模型和加权混合方法。
2023-06-22 cs.IR cs.LG
Disentangling Hyperedges through the Lens of Category Theory
KAIST(韩国科学技术院)
针对超图神经网络中隐藏超边语义难以利用的问题,本文从范畴论出发,基于自然性条件提出新的超边解耦准则,并通过基因通路实验验证其有效性。
2025-10-18 cs.AI cs.LG
HEAT: Hyperedge Attention Networks
University of Cambridge(剑桥大学);Microsoft Research(微软研究院);Google Research(谷歌研究院)
从结构化数据中学习是机器学习的核心任务。通常,这样的数据被表示为图,其通常仅考虑节点对之间的(类型化的)二进制关系。这对于许多具有高度结构化数据的领域来说是一个实质性的限制。一个重要的领域是源代码,其中基于超图的表示可以更好地捕捉代码的语义丰富和结构化的本质。在这项工作中,我们提出了HEAT,一个能够表示类型和合格超图的神经模型,其中每个超边明确限定参与节点的贡献。它可以被看作是消息传递神经网络和Transformers的推广。我们评估热知识库的完成和错误检测和修复使用一种新的超图表示的程序。在这两种情况下,它的表现都优于强基线,表明了它的力量和通用性。
2022-09-05 cs.LG cs.SE
HyperGALE: ASD Classification via Hypergraph Gated Attention with Learnable Hyperedges
IIIT Hyderabad(印度信息技术与管理研究所(海得拉巴))
本文提出HyperGALE模型,通过结合可学习超边和门控注意力机制的超图方法处理脑图数据,在ABIDE II数据集上提升了ASD分类的性能与可解释性。
2024-03-21 cs.AI cs.CV cs.LG
Learning Multi-Scale Hypergraph for High-Order Brain Connectivity Analysis
KAIST(韩国科学技术院)
提出自适应多尺度超边学习框架MuHL,通过构建层次节点特征并动态学习高阶交互,在多个脑网络基准上提升神经退行性疾病分类性能并识别关键脑区。
2026-06-02 cs.AI cs.LG
Expressive Higher-Order Link Prediction through Hypergraph Symmetry Breaking
Purdue University(普渡大学);Rutgers University(罗格斯大学)
针对现有超图表示学习器受GWL-1算法表达能力限制及计算成本高的问题,提出一种预处理算法识别对称正则子超图并在训练时替换以打破对称性,提升了表达能力且计算量变化可忽略。
2024-12-03 cs.LG stat.ML
HYPER: A Foundation Model for Inductive Link Prediction with Knowledge Hypergraphs
University of Oxford(牛津大学);Google Research(谷歌研究);AITHYRA;TU Wien(维也纳技术大学)
HYPER是一种基础模型,能处理包含新实体和新关系的知识超图归纳链接预测,通过编码超边中的实体及其位置实现跨不同关系类型的迁移学习。
2026-05-08 cs.AI cs.LG
Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction
预测股票的未来价格趋势是一个具有挑战性的,但有趣的问题,因为它的关键作用,以帮助投资者作出有利可图的决策。在本文中,我们提出了一个协同的时间关系建模框架,用于端到端的股票趋势预测。首先,股票的时间动态捕捉与注意力为基础的递归神经网络。然后,与现有研究依赖股票之间的成对相关性不同,我们认为股票作为一个集体群体是自然联系的,并引入超图结构来共同表征行业归属和基金持有的股票群体关系。提出了一种新的超图三注意力网络(HGTAN),以增强超图卷积网络的超边内,超边间和超图间注意力模块的分层组织。通过这种方式,HGTAN自适应地确定股票之间信息传播过程中节点、超边和超图的重要性,从而可以充分利用股票走势之间的潜在协同效应。在真实数据上的大量实验证明了该方法的有效性。投资模拟的结果也显示,我们的方法可以取得较理想的风险调整收益率。我们工作的数据和代码已在https://github.com/lixiaojieff/HGTAN上发布。
2022-03-05 cs.LG q-fin.ST