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
Structural-Aware Key Node Identification in Hypergraphs via Representation Learning and Fine-Tuning
针对传统方法难以建模超图高阶交互的问题,提出融合自编码器、HGNN 预训练与主动学习微调的 AHGA 框架,在八个超图上显著提升关键节点识别效果。
2025-07-28 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
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
Vital node identification in hypergraphs via gravity model
超图可以描述两两边之外的相互作用,已经成为复杂系统中多元关系建模的合适表示。随着超图研究的兴起,如何利用超图的高阶结构定义中心性度量成为超图中心性问题研究的热点。在本文中,我们提出了一种新的中心性方法(HGC)的基础上的重力模型,以及半本地HGC(LHGC),可以实现准确性和计算复杂度之间的平衡。同时,两个综合评价指标,即,首先提出了一个超图中的复杂传染模型,该模型模拟了传播过程中的群体影响,并基于节点之间的高阶距离提出了网络的S-效率,以评估我们的方法的有效性。结果表明,我们的方法可以过滤掉具有快速传播能力的节点,并且在超图连通性方面是至关重要的。
2022-08-09 cs.SI physics.soc-ph
Comparison of modularity-based approaches for nodes clustering in hypergraphs
本文在统一框架下比较多种超图模块度准则及对应最大化算法,并通过受控模拟从恢复精度、运行时间、目标优化和聚类数等方面评估其优劣。
2024-03-04 cs.SI math.CO physics.data-an
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
Frustrated Random Walks: A Fast Method to Compute Node Distances on Hypergraphs
Amazon(亚马逊公司)
本文提出利用受挫随机游走(FRW)的期望命中时间来高效准确地计算超图节点距离,在目标数量较少时计算优势明显,且对大型稀疏超图具有近似线性的时间复杂度。
2024-08-27 cs.DM cs.LG cs.SI
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
Planted Hitting Set Recovery in Hypergraphs
Cornell University(康奈尔大学)
在各种应用领域,网络数据是通过测量涉及一些特定的核心节点集的交互来收集的。这导致网络数据集包含核心节点以及潜在的更大的边缘节点集合,这些边缘节点都与核心节点至少有一次交互。在许多情况下,这种类型的数据出现在比图更丰富的结构中,因为它们涉及更大集合的交互;例如,核心节点可能是一组受监视的个人,我们观察至少涉及一个核心个人的会议的与会者。我们这样的情况下使用超图模型,我们研究的核心恢复的问题:如果我们观察超图,但不是标签的核心和边缘节点,我们可以恢复的“种植”一套核心节点的超图?我们提供了一个理论框架来分析这样一组核心节点的恢复,并使用我们的理论来开发一个实用的和可扩展的核心恢复算法。我们的分析和算法的关键是核心节点是超图的一个碰集,这意味着每个超边至少有一个节点在核心节点集中。我们证明了我们的算法在一些现实世界的数据集上的有效性,优于来自网络中心性和核心-外围措施的竞争基线。
2019-05-14 cs.LG cs.SI stat.ML
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
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 Markov Random Field model for Hypergraph-based Machine Learning
Shanghai Jiao Tong University and Shanghai AI laboratory(上海交通大学和上海人工智能实验室)
本文提出超图马尔可夫随机场模型,以多元高斯分布刻画节点与超边特征的联合分布,并据此设计HGSI结构推断框架和Hypergraph-MLP节点分类框架,实验证明二者在各自任务上均优于现有方法。
2025-08-08 cs.AI cs.LG cs.SI
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
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
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
Node and Edge Nonlinear Eigenvector Centrality for Hypergraphs
网络科学家已经证明,研究系统中组件之间的成对交互具有很大的价值。从线性代数的角度来看,这涉及定义和评估相关邻接矩阵的函数。最近的工作表明,直接考虑高阶相互作用有进一步的好处,特别是通过超图表示,其中边可能涉及多个节点。基于这些思想,我们激励,定义和分析一类谱中心性措施,以确定超图中的重要节点和超边,推广现有的网络科学概念。通过利用非线性Perron-Frobenius理论的最新发展,我们展示了所得到的约束非线性特征值问题如何具有唯一的解,这些解可以通过非线性幂方法迭代有效地计算。我们说明了现实的数据集的措施。
2021-08-24 cs.NA cs.SI math.NA
Attributed Stream Hypergraphs: temporal modeling of node-attributed high-order interactions
本文提出归因流超图(ASHs)工具箱,统一高阶建模与特征丰富扩充,用于表示、挖掘和分析复杂网络,并成功应用于社交网络中高阶同质性及时间路径等复杂现象的分析。
2023-03-31 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
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
Inference and Visualization of Community Structure in Attributed Hypergraphs Using Mixed-Membership Stochastic Block Models
Graduate School of Systems Design, Tokyo Metropolitan University(东京 Metropolitan 大学系统设计研究生院);Principles of Informatics Research Division, National Institute of Informatics(国家信息研究所信息原理研究部门)
本文提出HyperNEO框架,结合混合成员随机块模型与降维方法,在保留节点社区成员关系的前提下实现带属性超图社区结构的推断与可视化。
2025-05-04 cs.LG cs.SI
A nonlinear diffusion method for semi-supervised learning on hypergraphs
School of Computer Science(计算机科学学院);Gran Sasso Science Institute(大萨索科学研究所);Department of Computer Science(计算机科学系);Cornell University(康奈尔大学);School of Mathematics(数学学院)
超图是数据中多路关系的常见模型,超图半监督学习是将标签分配给超图中的所有节点的问题,仅在少数节点上给出标签。扩散和标签扩散是图环境中半监督学习的经典技术,并且有一些标准的方法将它们扩展到超图。然而,这些方法都是线性模型,并没有提供一个明显的方法来结合节点特征进行预测。在这里,我们在超图上开发了一个非线性扩散过程,该过程根据超图结构传播特征和标签,这可以被解释为超图平衡网络。即使这个过程是非线性的,我们表现出全局收敛到一个独特的限制点的广泛的非线性,这是一个可解释的,正规化的半监督学习损失函数的全局最优。极限点作为一个节点嵌入,我们从这个节点嵌入中使用线性模型进行预测。我们的方法比几个超图神经网络更准确,也需要更少的时间来训练。
2022-02-11 cs.LG cs.SI physics.data-an
Randomizing hypergraphs preserving degree correlation and local clustering
本研究将二元网络的 dK-series 扩展至超图,提出保留度、度相关性、冗余系数和超边大小等性质的 hyper dK-series 参考模型,并应用于流行病传播与演化博弈动力学模拟。
2023-05-21 cs.SI physics.soc-ph
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
Mixed coordinate Node link Visualization for Co_authorship Hypergraph Networks
本文提出一种混合连续与离散优化的超图节点链接可视化算法,将作者与论文分为不同类别节点并用颜色分类,以提升合著网络布局可读性和分析能力。
2023-10-30 cs.SI math.OC
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
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
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
Networks of Collaborations: Hypergraph Modeling and Visualisation
协作网络的公认模型是超图模型。尽管如此,当它被可视化时,超图被转化为简单的图。通常,通过超边的团扩展进行变换,导致用户的信息丢失,并且由于表示的边的数量很大而人为地产生更复杂的图。额外的节点表示给超图的可视化和信息检索的实质性改善。本文旨在定性和定量地展示额外的节点表示如何在不损失信息的情况下提高超图的可视化。
2017-07-01 cs.SI physics.soc-ph
Structure and inference in hypergraphs with node attributes
针对带节点属性的超图社区检测问题,提出结合高阶交互与节点属性的原则性模型,可自动学习两类信息的贡献权重,在超边预测等任务中表现优异,验证了节点属性对高阶数据分析的增益。
2024-10-30 cs.SI physics.data-an physics.soc-ph
Optimization of geometric hypergraph embedding
Scuola Normale Superiore(比萨高等师范学院);University of Edinburgh(爱丁堡大学)
该研究针对超图节点嵌入问题,提出两种利用超图与二分图关联的谱算法,可优化嵌入并在合成数据与真实超图的下游任务中表现良好。
2026-09-03 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
Overlap-aware meta-learning attention to enhance hypergraph neural networks for node classification
Department of Mathematics, College of Sciences, Shanghai University(上海大学数学系);Shanghai Institute of Applied Mathematics and Mechanics, Shanghai University(上海大学应用数学与力学研究所);School of Mechanics and Engineering Science, Shanghai University(上海大学力学与工程科学学院);BNRist, KLISS, School of Software, Tsinghua University(清华大学软件学院);THUIBCS, Tsinghua University(清华大学);Qian Weichang College, Shanghai University(上海大学钱伟长学院)
针对现有超图神经网络注意力机制单一、未考虑节点重叠水平差异导致性能受限的问题,提出融合结构与特征相似性、结合元学习权重网络的OMA-HGNN框架,在6个数据集上节点分类性能优于9种主流基线方法。
2025-11-13 cs.LG cs.SI
Core-periphery detection in hypergraphs
核心-外围检测是探索性网络分析中的一项关键任务,其目的是找到核心,即内部连接良好且与外围连接良好的节点集,以及外围,即仅与核心连接(或主要与核心连接)的节点集。在这项工作中,我们提出了一个模型的核心外围为高阶网络建模为超图,我们提出了一种方法来计算一个核心得分向量,量化如何接近每个节点的核心。特别是,我们表明,这种方法解决了相应的非凸核心周边优化问题的全局任意精度。这种方法原来是符合计算的Perron特征向量的非线性超图运营商,适当地定义在超图的关联矩阵,推广最近提出的超图的中心模型。我们进行了几个实验,合成和现实世界的超图显示,所提出的方法优于替代的核心-外围检测算法,特别是那些通过建立图的方法转移到超图设置通过集团扩张。
2022-02-25 cs.NA cs.SI math.NA
Emerging Activity Temporal Hypergraph: a model for generating realistic time-varying hypergraphs
Aix Marseille Univ, Université de Toulon, CNRS, CPT, Turing Center for Living Systems(艾克斯-马赛大学、土伦大学、法国国家科学研究中心、理论物理中心、生命系统图灵中心)
本文提出新兴活动时序超图模型EATH,通过节点独立活动动态与记忆机制生成保留经验数据统计特征的合成时变超图,并验证其在高阶传染模拟和可调性质生成中的有效性。
2025-10-13 cs.SI physics.data-an physics.soc-ph
Core-periphery Models for Hypergraphs
Cornell University(康奈尔大学)
我们引入了一个核-外围结构的随机超图模型。通过利用我们的模型的足够的统计数据,我们开发了一种新的统计推断算法,能够扩展到大型超图的运行时间,实际上是线性的wrt。在预处理步骤之后,图中的节点数量在超边的数量上几乎是线性的,以及可缩放的采样算法。我们的推理算法能够学习嵌入对应的超图内的节点的声誉(排名)。我们也给出了理论界的大小的核心超图所产生的模型。我们对从Microsoft Academic Graph、Stack Exchange和GitHub挖掘的范围为$\sim 10^5$超边的超图数据进行了实验,并表明我们的模型优于基线wrt。产生良好的配合。
2022-06-01 cs.LG cs.SI
Betweenness Approximation for Edge Computing with Hypergraph Neural Network
针对现有网络拆解方法不适用于高阶交互超网络、且现有超网络中心性指标难平衡效果与效率的问题,提出基于超图神经网络的中介中心性近似拆解方法HND,经真实超网络实验验证其有效性与高效性。
2023-10-03 cs.SI
Fair Influence Maximization in Hypergraphs
Faculty of Electrical Engineering, Mathematics, and Computer Science Delft University of Technology(代尔夫特理工大学电气、数学和计算机科学学院)
针对超图上的公平影响力最大化问题,提出启发式种子选择算法FIMH,在SICP传播模型下平衡影响力和公平性,实验表明其影响力与现有方法相当且显著降低不公平性。
2026-06-15 cs.SI
Consensus Dynamics and Opinion Formation on Hypergraphs
在本章中,我们推导和分析超图上的一致性动力学模型。正如我们所讨论的,除非存在非线性节点相互作用函数,否则总是可以根据有效的成对节点相互作用的新网络来重写系统,而不管最初底层的多路相互作用结构如何。因此,我们专注于动态的基础上,一定的类的非线性互动功能,它可以模拟不同的社会学现象,如同伴的压力和gynnness。与网络上的线性共识动力学不同,我们展示了我们的非线性模型动力学如何导致偏离平均系统状态的变化。我们研究这些变化是如何影响的分布的初始状态,基本的超图结构和不同形式的非线性缩放的节点相互作用函数。
2022-01-11 cs.SI cs.SY eess.SY
Enhancing Discrete Particle Swarm Optimization for Hypergraph-Modeled Influence Maximization
School of Computer Science and Technology, Dalian University of Technology(大连理工大学计算机科学与技术学院);Key Laboratory of Social Computing and Cognitive Intelligence (Dalian University of Technology), Ministry of Education(教育部社会计算与认知智能重点实验室(大连理工大学));International School of Information Science & Engineering, Dalian University of Technology(大连理工大学国际信息与软件工程学院);School of Artificial Intelligence, Shanxi University(山西大学人工智能学院);College of Software, Northeastern University(东北大学软件学院)
本文提出基于离散粒子群优化和阈值模型的超图影响最大化方法,通过两层局部影响近似高效评估种子节点影响,改进初始化策略和局部搜索机制,实验证明在合成和真实超图中优于基线方法。
2026-04-17 cs.NE 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
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
Learning Hypergraphs From Signals With Dual Smoothness Prior
University of Oxford(牛津大学);Shanghai Jiao Tong University(上海交通大学);Shanghai AI Laboratory(上海人工智能实验室)
本文提出超图结构学习框架 HGSL,通过可学习图结构和双重平滑先验从节点信号中高效推断有意义的超图拓扑,解决了超边搜索空间巨大和信号与结构关系难以度量的问题。
2025-03-11 cs.LG cs.SI eess.SP
Clustering in graphs and hypergraphs with categorical edge labels
Cornell University(康奈尔大学)
现代图或网络数据集通常包含丰富的结构,这些结构超出了节点之间简单的成对连接。这需要复杂的表示,例如,可以捕获不同类型的边以及所谓的“高阶交互”,即一次涉及两个以上的节点。然而,我们有较少的严格的方法,可以提供洞察力,从这样的表示。在这里,我们开发了一个计算框架的问题,聚类超图与分类边标签-或不同的相互作用类型-其中集群对应于组的节点,经常参与同一类型的相互作用。我们的方法是基于一个组合的目标函数,这是相关的聚类图,但使更有效的算法,也无缝地推广到超图的设计。当只有两种标签类型时,我们的目标可以在多项式时间内优化,使用基于最小割的算法。最小化我们的目标成为NP难的两个以上的标签类型,但我们开发快速近似算法的基础上,线性规划松弛理论集群质量保证。我们证明了我们的算法的有效性和模型的范围,通过在边缘标签社区发现,聚类与时间数据和探索性数据分析的问题。
2020-02-17 cs.LG cs.SI physics.soc-ph
Edge Correlations and Link Prediction in Growing Hypergraphs
提出一种基于带噪复制的增长超图生成模型,推导其结构分布并给出可扩展拟合算法,在超图链接预测中以11个参数达到与大型神经网络相当的性能。
2025-08-18 cs.SI nlin.AO physics.data-an
SVD Incidence Centrality: A Unified Spectral Framework for Node and Edge Analysis in Directed Networks and Hypergraphs
Instituto Curvelo(Curvelo研究所);Federal University of Espirito Santo(埃斯皮里托桑托联邦大学)
SVD Incidence Centrality 提出了一种基于 incidence 矩阵奇异值分解的统一谱框架,用于有向网络和超图中节点和边的中心性分析,解决了传统方法在方向信息保留和稀疏性问题上的不足。
2026-02-17 cs.SI physics.soc-ph
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
An Improved Combinatorial Algorithm for Edge-Colored Clustering in Hypergraphs
Texas A&M University(德克萨斯农工大学)
本文提出了一种改进的超图边着色聚类组合算法,实现了优于2的近似因子,用于解决NP难的边着色聚类问题。
2026-03-03 cs.DS 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
Community Detection in Hypergraphs via Mutual Information Maximization
本文提出一种基于互信息最大化的超图社区检测算法,通过微正则随机块模型和模拟退火进行推断,无需估计节点度等参数,并在稀疏随机超图和多个数据集上取得接近理论阈值及有竞争力的聚类效果。
2023-08-08 cs.DM cs.SI math.CO
Structural Controllability of Large-Scale Hypergraphs
Eric and Wendy Schmidt Center at the Broad Institute of MIT and Harvard(MIT和哈佛大学布罗德研究所的埃里克和wendy Schmidt中心);School of Data Science and Society, University of North Carolina at Chapel Hill(夏洛特希尔大学数据科学与社会学院);Department of Biostatistics, University of North Carolina at Chapel Hill(夏洛特希尔大学生物统计学系)
本文提出超图结构可控性框架,通过多项式动力系统建模,建立拓扑判定准则并设计可扩展的驱动节点选择算法,验证了方法在大规模超图中的有效性。
2026-03-20 cs.LG cs.SI cs.SY
Hyperedge Prediction using Tensor Eigenvalue Decomposition
Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
通过对图中节点间的二元交互进行建模,研究了图中的链接预测。这些关系可能比简单的二元交互更复杂,并且可能需要用户对节点之间的超级二元关联进行建模。这种交互可以使用超图来建模,超图是超边可以连接两个以上节点的图的推广。本文研究了$k-$一致超图的超边预测问题。我们利用基于张量的超图表示,并提出了一种新的解释张量特征向量。这进一步被用来提出一个超边缘预测算法。该算法利用超图Laplacian的张量特征值分解计算的\textit{Fiedler}特征向量。利用\textit{Fiedler}特征向量估计新超边的构造代价,进而确定待构造的最可能超边.所提出的方法的功能和有效性说明使用一些例子超图和一些真实的数据集。所提出的方法的代码可在https://github.com/d-maurya/hypred_ tensorEVD上获得
2021-02-06 cs.LG cs.SI
A Bounded-Confidence Model of Opinion Dynamics on Hypergraphs
随着时间的推移,人们的观点会随着他们与朋友、家人、同事和其他人的互动而演变。在网络上的意见动态研究中,人们经常以二元关系的形式编码人与人之间的互动,但现实生活中的许多社会互动都是多元的(即,涉及三人或三人以上)。在本文中,我们扩展了一个异步有界置信度模型(Bounded-Confidence Model,Bounded-Confidence Model)的图,其中节点是成对连接的边缘,到一个异步的Bounded-Confidence模型的超图,其中任意多个节点可以连接的一个超边。我们表明,我们的超图的意见,包括非均匀和不对称的初始意见分布在很大范围内的初始条件下收敛到共识。我们还证明了在适当的条件下,具有社区结构的超图可以形成回声室。我们证明,个人的意见,有时可以从一个意见簇跳到另一个在一个单一的时间步,一种现象(我们称之为“意见跳跃”),这是不可能在标准的二元BCM。此外,我们观察到,有一个相变的收敛时间{一个完全超图}时的方差$σ^2$的初始意见分布等于置信界$c$。我们证明了当$σ^2 > c$和初始意见服从正态分布时,收敛时间至少随节点数呈指数增长。因此,要确定我们的超图的收敛性时,方差和超边的数量都很大,它是必要的,而不是仅仅依赖于Monte Carlo模拟使用分析方法。
2021-08-09 cs.SI math.CO math.DS
Growing Hypergraphs with Homophily
University of Colorado at Boulder(科罗拉多大学博尔德分校);Middlebury College(米德尔伯里学院)
研究增长超图模型,放宽边独立性假设,边形成受先前边和节点标签影响,推导度数分布幂律,用最大似然技术构建算法,通过期望最大化估计参数,展示模拟退火社区检测方法,凸显纳入边和标签依赖性的好处。
2026-07-20 cs.SI nlin.AO physics.data-an