Spatial-Temporal Hypergraph Self-Supervised Learning for Crime Prediction
South China University of Technology（华南理工大学）；Simon Fraser University（西蒙弗雷泽大学）；Musketeers Foundation Institute of Data Science（火枪手基金会数据科学研究院）；University of Hong Kong（香港大学）
犯罪已成为许多城市的主要问题，这就要求及时预测全市犯罪发生的需求不断上升。准确的犯罪预测结果对于政府的事前决策、缓解人们对公共安全的日益关注至关重要。虽然许多努力已经致力于提出各种时空预测技术，以探索跨位置和时间段的依赖性，其中大多数遵循监督学习的方式，这限制了他们的时空表示能力稀疏的犯罪数据。受最近自监督学习成功的启发，本文提出了一个时空超图自监督学习框架（ST-HSL）来解决犯罪预测中的标签稀缺问题。具体来说，我们提出了跨区域超图结构学习编码区域明智的犯罪依赖下，整个城市空间。此外，我们设计的双阶段自监督学习范式，不仅共同捕捉本地和全球层面的时空犯罪模式，但也补充稀疏犯罪表示，通过增强区域自我歧视。我们在两个现实生活中的犯罪数据集上进行了广泛的实验。评估结果表明，我们的ST-HSL显著优于最先进的基线。进一步的分析提供了我们的ST-HSL方法在时空犯罪模式的表示的优越性的见解。实现代码可在https://github.com/LZH-YS1998/STHSL上获得。
2022-05-07 cs.AI cs.CY cs.LG
DualHGNN: A Dual Hypergraph Neural Network for Semi-Supervised Node Classification based on Multi-View Learning and Density Awareness
South China University of Technology（华南理工大学）；Concordia University（康考迪亚大学）；Pazhou Lab（琶洲实验室）
针对人工或原始图结构不优及密度等隐式信息利用不足的问题，本文提出DualHGNN，通过多视图超图结构学习与密度感知注意力表示学习提升半监督节点分类性能。
2023-06-07 cs.CV cs.LG
Noise-robust classification with hypergraph neural network
Ho Chi Minh City University of Technology (HCMUT), VNU-HCM（胡志明市理工大学（HCMUT），越南国家大学胡志明市分校）；EPHE-PSL University（巴黎高等研究实践学院-巴黎文理研究大学）
本文提出了一种新的超图神经网络方法。该方法被用来解决噪声标签学习问题。首先，我们将PCA降维技术应用到图像数据集的特征矩阵中，以减少图像数据集的特征矩阵中的“噪声”和冗余特征，并减少超图神经网络方法构造超图的运行时间。然后，经典的基于图的半监督学习方法，经典的基于超图的半监督学习方法，图神经网络，超图神经网络，和我们提出的超图神经网络被用来解决噪声标签学习问题。这五种方法的精度进行了评估和比较。实验结果表明，当噪声水平增加时，超图神经网络方法达到最佳性能。此外，超图神经网络方法至少与图神经网络一样好。
2022-09-03 cs.LG stat.ML
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
Hypergraph Contrastive Collaborative Filtering
University of Hong Kong（香港大学）；South China University of Technology（华南理工大学）；Wilfrid Laurier University（威尔弗里德·劳雷尔大学）；Baidu Inc.（百度公司）；York University（约克大学）
协同过滤（CF）已经成为将用户和项目参数化到潜在表示空间的基本范例，其相关模式来自交互数据。在各种CF技术中，基于GNN的推荐系统的开发，例如，PinSage和LightGCN提供了最先进的性能。然而，在现有的解决方案中还没有很好地探索两个关键挑战：i）更深的基于图的CF架构的过度平滑效应可能导致不可区分的用户表示和推荐结果的降级。ii）监控信号（即，用户-项目交互）通常是稀缺的，并在现实中倾斜分布，这限制了CF范式的表征能力。为了应对这些挑战，我们提出了一个新的自我监督推荐框架超图对比协同过滤（HCCF），共同捕捉本地和全球的协作关系与超图增强的跨视图对比学习架构。特别是，设计的超图结构学习增强了基于GNN的CF范式的区分能力，从而全面捕捉用户之间复杂的高阶依赖关系。此外，我们的HCCF模型有效地集成了超图结构编码与自监督学习，以加强推荐系统的代表性质量的基础上，超图增强自我歧视。在三个基准数据集上的大量实验表明，我们的模型优于各种最先进的推荐方法，以及对稀疏用户交互数据的鲁棒性。我们的模型实现代码可在https://github.com/akaxlh/HCCF上获得。
2022-04-27 cs.AI cs.IR
HiTeC: Hierarchical Contrastive Learning on Text-Attributed Hypergraph with Semantic-Aware Augmentation
The University of New South Wales（新南威尔士大学）；University of Wollongong（沃拉彭大学）
提出HiTeC框架，通过两阶段层次对比学习，结合结构感知文本编码预训练和语义感知增强，解决文本属性超图中文本与拓扑关联不足、随机增强噪声及长程依赖捕获问题。
2026-05-25 cs.AI cs.LG
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
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
From Hypergraph Energy Functions to Hypergraph Neural Networks
Fudan University（复旦大学）；Amazon（亚马逊）；Peng Cheng Laboratory（鹏城实验室）；Shanghai Collaborative Innovation Center of Intelligent Visual Computing（上海智能视觉计算协同创新中心）
本文提出参数化超图正则化能量函数，其极小值作为节点嵌入，通过双层优化端到端训练分类器，并在超图节点分类基准上取得最先进结果。
2023-06-19 cs.LG
Equivariant Hypergraph Neural Networks
KAIST（韩国科学技术院）；LG AI Research（LG人工智能研究院）
计算机视觉和机器学习中的许多问题都可以转换为表示高阶关系的超图上的学习。最近的超图学习方法扩展了基于消息传递的图神经网络，这是简单的，但从根本上限制了建模的长期依赖性和表达能力。另一方面，基于张量的等变神经网络具有最大的表达能力，但由于计算量大和对固定阶超边的严格假设，其应用在超图中受到限制。我们解决了这些问题，并提出了等变超图神经网络（EHNN），第一次尝试实现最大表达的一般超图学习的等变层。我们还提出了我们的框架的两个实际实现的基础上超网络（EHNN-MLP）和自我注意（EHNN-Transformer），这是很容易实现，理论上更有表现力的消息传递方法。我们展示了他们在一系列超图学习问题中的能力，包括合成k边识别，半监督分类和视觉关键点匹配，并报告了在强消息传递基线上的改进性能。我们的实现可以在https://github.com/jw9730/ehnn上获得。
2022-08-22 cs.LG
Stability and Generalization of Hypergraph Collaborative Networks
Institute of Data Science, The University of Hong Kong（香港大学数据科学学院）；College of Information Science and Technology, Jinan University（暨南大学信息科学技术学院）；The University of Hong Kong（香港大学）
本文研究超图协同网络核心层的算法稳定性与泛化保证，揭示数据与超图滤波器的缩放设计原则，并通过真实数据集实验验证理论。
2023-08-04 cs.LG
BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection
Northwestern Polytechnical University（西北工业大学）；The Hong Kong Polytechnic University（香港理工大学）；Peking University（北京大学）；The University of Queensland（昆士兰大学）
提出统一图异常检测框架BOURNE，通过自举自监督学习提取节点与边上下文并交换嵌入实现相互检测，免除了负采样需求，在六个基准上验证了有效性与效率。
2023-11-20 cs.AI cs.SI
Adaptive Hypergraph Network for Trust Prediction
School of Computing, Macquarie University（麦考瑞大学计算学院）；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）；Department of Computer Science and Engineering, Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系）
本文提出自适应超图网络AHNTP，利用高阶相关性和自适应GCN及对比学习，提升信任预测准确性，优于现有方法。
2024-02-07 cs.AI cs.SI
Nothing Stands Alone: Relational Fake News Detection with Hypergraph Neural Networks
Arizona State University（亚利桑那州立大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Bytedance（字节跳动）；Illinois Institute of Technology（伊利诺伊理工学院）
如今，假新闻很容易通过在线社交网络传播，成为对个人和社会的巨大威胁。评估新闻的真实性是具有挑战性的，因为其精心编造的内容，使得很难获得大规模的假新闻数据注释。由于这种数据稀缺性问题，检测假新闻往往会失败，并且在监督环境中过度拟合。最近，图神经网络（GNN）已被采用，以利用标记和未标记的实例之间的更丰富的关系信息。尽管它们的结果很有希望，但它们本质上专注于新闻之间的成对关系，这可能会限制捕捉在群体层面传播的假新闻的表达能力。例如，当我们更好地理解易感用户之间共享的新闻片段之间的关系时，检测假新闻可能会更有效。为了解决这些问题，我们建议利用超图来表示新闻之间的群体互动，同时利用其双层注意力机制来关注重要的新闻关系。基于两个基准数据集的实验表明，我们的方法产生了显着的性能，并保持高性能，即使是一个小的子集标记的新闻数据。
2022-12-24 cs.LG cs.SI
Hypergraph Pre-training with Graph Neural Networks
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Amazon（亚马逊）
尽管超图在各种高影响力的应用中普遍存在，但关于超图表示学习的工作相对较少，其中大多数主要集中在超链接预测上，通常限于转导学习环境。其中，有效的超图表示学习的主要障碍在于节点和/或超边的标签稀缺性。为了解决这个问题，本文提出了一个端到端的，两个层次的预训练策略与图神经网络的超图。所提出的名为HyperGene的框架具有三个独特的优势。首先，它能够在可用时摄取标签信息，但更重要的是，它主要是以自我监督的方式设计的，这大大拓宽了它的适用性。其次，在心脏的建议HyperGene是两个精心设计的借口，一个在节点级别和其他的超边缘水平，这使我们能够编码本地和全球的背景下，在一个相互补充的方式。第三，所提出的框架可以在转换和归纳设置。当串联应用这两个提出的借口时，由于所提出的方法的双层性质，它可以加速知识从预训练模型到转换设置中的下游应用的适应。大量的实验结果表明：（1）HyperGene在超边缘分类方面实现了高达5.69%的改进，（2）平均提高了42.80%的预训练效率。
2021-05-23 cs.LG
Abnormal Event Detection via Hypergraph Contrastive Learning
Beijing University of Posts and Telecommunications（北京邮电大学）
针对属性异构信息网络中的无监督异常事件检测问题，提出超图对比学习方法AEHCL，通过事件内和事件间对比模块捕获异常交互，显著提升了检测性能。
2023-04-02 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
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
Molecular Hypergraph Neural Networks
Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
针对传统图无法建模分子高阶连接的问题，本文提出分子超图神经网络（MHNN），以超边表示共轭结构，在多个数据集上超越基线，且无需3D几何信息，数据效率高。
2023-12-21 cs.LG physics.chem-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
Un-normalized hypergraph p-Laplacian based semi-supervised learning methods
EPHE-PSL University（巴黎高等实践研究学院-PSL大学）
大多数基于网络的机器学习方法都假设网络中两个相邻样本的标签很可能是相同的。然而，假设样本之间的成对关系是不完整的。一组样本显示非常相似的模式，往往有类似的标签的信息被错过了。克服上述假设的信息损失的自然方法是将样本的特征数据集表示为超图。因此，在本文中，我们将提出非规范化超图p-Laplacian半监督学习方法。这些方法将应用于动物园数据集和20个新闻组数据集的小型版本。实验结果表明，这些基于非规范化超图p-Laplacian的半监督学习方法的准确率性能指标明显高于基于非规范化超图Laplacian的半监督学习方法（目前最先进的方法基于超图Laplacian的半监督学习方法用于p=2的分类问题）的准确率性能指标。
2019-04-28 cs.LG stat.ML
HypeBoy: Generative Self-Supervised Representation Learning on Hypergraphs
Kim Jaechul Graduate School of AI（金在哲人工智能研究生院）；School of Electrical Engineering（电气工程学院）；Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
本文提出超图生成式自监督学习方法HypeBoy，通过超边填充任务学习通用超图表示，在11个基准数据集上超越16种基线方法。
2024-03-31 cs.LG
Hypergraph Transformer: Weakly-supervised Multi-hop Reasoning for Knowledge-based Visual Question Answering
Seoul National University（首尔国立大学）；Hanyang University（汉阳大学）；AI Institute (AIIS), Seoul National University（首尔国立大学人工智能研究院（AIIS））
基于知识的视觉问答（QA）的目的是回答一个问题，这需要视觉基础的外部知识超越图像内容本身。在弱监督下对需要多跳推理的复杂问题进行推理被认为是一个具有挑战性的问题，因为i）没有对推理过程进行监督，ii）需要捕获多跳知识事实的高阶语义。在本文中，我们引入超图的概念来编码问题和知识库的高级语义，并学习它们之间的高阶关联。提出的模型Hypergraph Transformer构造了一个问题超图和一个查询感知知识超图，并通过编码超图之间的关联和超图本身的关联来推断答案。在两个基于知识的视觉问答和两个基于知识的文本问答上的实验证明了该方法的有效性，特别是对于多跳推理问题。我们的源代码可以在https://github.com/yujungheo/kbvqa-public上找到。
2022-04-22 cs.AI cs.CL cs.CV
Hypergraph Self-supervised Learning with Sampling-efficient Signals
University of New South Wales（新南威尔士大学）；Tongji University（同济大学）；University of Technology Sydney（悉尼科技大学）；Shanghai Jiaotong University（上海交通大学）
针对现有超图自监督对比学习负采样任意与成本高的问题，提出SE-HSSL框架，采用典型相关分析无采样信号及层次成员级对比目标，在7个真实超图上实现更优效果与效率。
2024-04-18 cs.LG
Analysis of Semi-Supervised Learning on Hypergraphs
University of California Los Angeles（加州大学洛杉矶分校）；University of Warwick（沃里克大学）
研究超图上的半监督学习问题，提出高阶超图学习（HOHL）方法，通过分析随机几何超图上的变分问题，确定缩放机制，证明离散极小值收敛，还给出多尺度拉普拉斯替代并证明收敛，数值实验验证了高阶正则化的实用性。
2026-07-20 cs.LG math.ST stat.TH
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
Directed hypergraph neural network
Thu Dau Mot University（守德大学）
为了处理不规则的数据结构，图卷积神经网络已经被许多数据科学家开发出来。然而，数据科学家主要集中在为无向图开发深度神经网络方法。在本文中，我们将提出新的神经网络方法的有向超图。换句话说，我们将不仅开发新的有向超图神经网络方法，而且开发新的基于有向超图的半监督学习方法。这些方法被用来解决节点分类任务。实验中使用的两个数据集是cora和citeseer数据集。在经典的基于有向图的半监督学习方法、新型的基于有向超图的半监督学习方法、新型的有向超图神经网络方法中，我们发现新型的有向超图神经网络方法达到了最高的精度。
2022-09-03 cs.LG stat.CO stat.ML
Laplacian-based Semi-Supervised Learning in Multilayer Hypergraphs by Coordinate Descent
University of Padova（帕多瓦大学）；University of Rome “Tor Vergata”（罗马第二大学）；Gran Sasso Science Institute（格兰萨索科学研究所）
本文提出将基于拉普拉斯的图半监督学习优化形式扩展到多层超图，并采用多种坐标下降方法求解，实验证明在合适选择规则下坐标下降优于经典梯度下降。
2023-09-24 cs.DM cs.LG
Hypergraph based semi-supervised learning algorithms applied to speech recognition problem: a novel approach
Ho Chi Minh City University of Technology-VNU HCM（胡志明市理工大学（越南国家大学胡志明市分校））
大多数基于网络的语音识别方法都是基于网络中两个相邻语音样本的标签可能相同的假设。然而，假设语音样本之间的成对关系是不完整的。一组语音样本显示非常相似的模式，往往有类似的标签的信息被错过了。克服上述假设的信息损失的自然方法是将语音样本的特征数据表示为超图。因此，本文介绍了三种基于半监督学习的非规范化、随机游动和对称规范化超图Laplacian方法，并将其应用于由语音样本特征数据构造的超图，以预测语音样本的标签。实验结果表明，这三种基于超图拉普拉斯算子的半监督学习方法的灵敏度性能指标均大于隐马尔可夫模型方法的灵敏度性能指标（当前应用于语音识别问题的最先进的方法）和基于图的半监督学习方法（即当前最先进的基于网络的分类问题的方法）应用于从语音样本的特征数据创建的网络。
2018-10-28 cs.LG cs.SD eess.AS
Multi-Task Hypergraphs for Semi-supervised Learning using Earth Observations
University Politehnica of Bucharest（布加勒斯特理工大学）；NORCE Norwegian Research Center（挪威NORCE研究中心）
针对地球观测领域多任务且真值数据缺失的问题，提出多任务超图半监督方法，在NASA NEO数据集上取得性能提升，还可适应分布偏移并恢复长期缺失的观测数据。
2023-08-21 cs.CV cs.LG
Hypergraph $p$-Laplacian equations for data interpolation and semi-supervised learning
China Jiliang University（中国计量大学）；Deutsches Elektronen-Synchrotron DESY（德国电子同步加速器研究所）；Universität Hamburg（汉堡大学）
本文针对超图 p-Laplacian 正则化学习提出快速数值实现方法，推导超图 p-Laplacian 方程并提出简化方程，实验证明其能抑制插值尖峰解并提升半监督分类准确率。
2025-04-07 cs.LG cs.NA math.NA
HyperFuse: Fast Self-Supervised Node Embeddings for Attributed Hypergraphs
Indian Institute of Science Education and Research Thiruvananthapuram（印度科学教育与研究学院蒂鲁文南特普拉姆分校）；Indian Institute of Science Education and Research Kolkata（印度科学教育与研究学院加尔各答分校）；University of Rostock（罗斯托克大学）；Stellenbosch Institute for Advanced Study (STIAS)（斯泰伦博斯高等研究院）
HyperFuse提出一种无标签快速超图嵌入方法，通过谱松弛、多尺度特征和效用加权编码器，在保持精度的同时实现13-179倍加速，适用于多超图或演化场景。
2026-10-05 cs.LG
K-SpecPart: Supervised embedding algorithms and cut overlay for improved hypergraph partitioning
本文提出监督谱超图划分框架 K-SpecPart，利用广义特征向量、监督降维嵌入和割叠加集成多路方案，在二分与多路划分上分别取得最高15%和20%的割尺寸改进。
2023-06-03 cs.LG
Hypergraph $p$-Laplacian: A Differential Geometry View
The University of Tokyo（东京大学）；Imperial College London（帝国理工学院）；Osaka University（大阪大学）
图拉普拉斯算子在关系数据的信息处理中起着关键作用，与微分几何中的拉普拉斯算子有相似之处。本文将图Laplacian与微分几何的相似性推广到超图的情形，提出了一种新的超图$p$ -Laplacian。与现有的两节点图拉普拉斯算子不同，这种推广使得分析超图成为可能，其中允许边连接任何数量的节点。此外，我们提出了一个半监督学习方法的基础上提出的超图$p$ -拉普拉斯算子，并将它们形式化为类似的Dirichlet问题，这经常出现在物理学。我们进一步探讨了超图上的规范化超图割的理论联系，并提出了超图$p$ -Laplacian的规范化割。在超图半监督学习和归一化切割设置的实验中，所提出的$p$ -拉普拉斯算子的性能优于标准超图拉普拉斯算子。
2017-11-22 cs.LG stat.ML
Wasserstein Soft Label Propagation on Hypergraphs: Algorithm and Generalization Error Bounds
The University of Chicago（芝加哥大学）
最近的机器学习和超图数据挖掘算法的发展兴趣的启发，我们调查在本文中的半监督学习算法的传播“软标签”（例如概率分布，类成员分数）超图，通过最佳运输。借用图上Wasserstein传播的见解[Solomon et al. 2014]，我们将标签传播过程重新制定为消息传递算法，这使得其本身自然地通过Wasserstein重心适用于超图的推广。此外，在PAC学习框架中，我们通过建立所提出的半监督学习算法的\textit{algorithmic stability}，提供了使用2-瓦瑟斯坦距离在图和超图上传播一维分布的泛化误差界。这些理论结果也为更深入地理解图上的Wasserstein传播提供了新的思路。
2018-11-16 cs.LG stat.ML
Stochastic Block Model for Hypergraphs: Statistical limits and a semidefinite programming approach
New York University（纽约大学）
研究了一个随机超图模型中的社团发现问题，我们称之为$k$ -一致超图的随机块模型（$k$ -SBM）.我们研究了$k$ -SBM中的精确恢复问题，并证明了在一个阈值附近会发生急剧的相变：在阈值以下，不可能以非零概率恢复社区，但在阈值以上，存在一个几乎渐近肯定地恢复社区的估计。我们还考虑了一个简单的，有效的算法的精确恢复问题是基于半定松弛技术。
2018-07-08 cs.IT cs.LG math.IT
Bilevel Hypergraph Networks for Multi-Modal Alzheimer's Diagnosis
DAMTP, University of Cambridge（剑桥大学 DAMTP）；Department of Psychology, University of Cambridge（剑桥大学心理学系）
针对阿尔茨海默病早期诊断，提出双层级超图网络，联合学习图增强与半监督分类，并采用梯度驱动伪标签生成，实验证明性能优于现有方法。
2024-03-19 cs.LG
I'm Me, We're Us, and I'm Us: Tri-directional Contrastive Learning on Hypergraphs
KAIST（韩国科学技术院）
虽然超图的机器学习已经引起了相当大的关注，但大多数工作都集中在（半）监督学习，这可能会导致沉重的标记成本和泛化能力差。近年来，对比学习作为一种成功的无监督表示学习方法出现。尽管对比学习在其他领域得到了蓬勃的发展，但超图上的对比学习却很少有人研究。在本文中，我们提出了三向对比学习（TriCL），超图上的对比学习的一般框架。它的主要思想是三向对比，具体来说，它的目的是在两个增强视图中最大化（a）相同节点之间的一致性，（b）相同节点组之间的一致性，以及（c）每个组及其成员之间的一致性。结合简单但令人惊讶的有效数据增强和负采样方案，这三种形式的对比度使TriCL能够在节点嵌入中捕获微观和介观结构信息。我们使用13种基线方法，5个数据集和两个任务进行了广泛的实验，证明了TriCL的有效性，最值得注意的是，TriCL的性能不仅优于无监督竞争对手，而且还优于（半）监督竞争对手，主要是节点分类的显著优势。代码和数据集可在https://github.com/wooner49/TriCL上获得。
2023-01-05 cs.LG
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
HyperGCN: A New Method of Training Graph Convolutional Networks on Hypergraphs
在许多真实世界的网络数据集中，如共同作者，共同引用，电子邮件通信等，关系是复杂的，超越了两两。超图提供了一种灵活而自然的建模工具来建模这种复杂的关系。在许多现实世界的网络中，这种复杂关系的明显存在自然激发了超图学习的问题。一种流行的学习范例是基于超图的半监督学习（SSL），其目标是为超图中最初未标记的顶点分配标签。基于图卷积网络（GCN）在基于图的SSL中的有效性，提出了一种基于属性超图的SSL GCN--HyperGCN.此外，我们展示了如何HyperGCN可以作为一个基于学习的方法组合优化NP难超图问题。我们证明了HyperGCN的有效性，通过详细的实验在现实世界的超图。
2019-05-22 cs.LG stat.ML
Semi-Supervised Classification on Non-Sparse Graphs Using Low-Rank Graph Convolutional Networks
Department of Mathematics, Chair of Scientific Computing（数学系，科学计算教研室）
本文提出了一种低秩图卷积网络架构，用于高效处理非稀疏图上的半监督学习问题，通过引入低秩滤波器提升运行效率和准确率，并扩展到超图数据集的处理。
2019-05-24 cs.DM cs.LG cs.NA
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
Hypergraph-MLP: Learning on Hypergraphs without Message Passing
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）
针对超图神经网络中消息传递导致的过平滑、高延迟和脆弱性问题，提出Hypergraph-MLP框架，将结构信息融入训练监督，以简单MLP实现竞争性能并提升推理速度与鲁棒性。
2025-03-11 cs.LG eess.SP
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 Node Representation Learning with One-Stage Message Passing
Faculty of Information Technology, Monash University（莫纳什大学信息技术学院）；AI Division, Westlake University（西湖大学人工智能系）
本文提出单阶段消息传递范式统一并改进两阶段超图节点表示学习，并将其集成到基于 Transformer 的 HGraphormer 框架中，同时建模局部与全局信息，在五个基准数据集上取得最优性能。
2023-12-01 cs.IR cs.LG
Heterogeneous Hypergraph Embedding for Recommendation Systems
Griffith University（格里菲斯大学）；Hanoi University of Science and Technology（河内科技大学）；Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院）；The University of Queensland（昆士兰大学）
本文提出知识增强异构超图推荐系统KHGRec，通过协作知识异构超图建模高阶交互，结合跨视图自监督学习与注意力机制，在多个数据集上平均提升5.18%，并验证了噪声鲁棒性和冷启动性能。
2024-07-04 cs.AI cs.IR cs.LG
Quadratic Decomposable Submodular Function Minimization
UIUC（伊利诺伊大学厄巴纳-香槟分校）
我们引入了一个新的凸优化问题，称为二次可分解子模函数极小化。这个问题与可分解的子模函数最小化密切相关，并且在图和超图设置的许多学习中出现，例如基于图的半监督学习和PageRank。我们通过一个新的对偶策略来解决这个问题，并描述了一个可以通过随机坐标下降（RCD）方法和锥投影来优化的目标。我们还建立了RCD算法的线性收敛速度，并开发了具有可证明性能保证的高效投影算法。超图上的半监督学习数值实验证实了所提出的算法的效率，并证明了相对于最先进的方法在预测精度上的显着改善。
2018-10-11 cs.AI cs.LG stat.ML
Enhanced Atrial Fibrillation Prediction in ESUS Patients with Hypergraph-based Pre-training
Emory University（埃默里大学）
本文提出基于超图的预训练方法，用于提升ESUS患者心房颤动预测的准确性与鲁棒性，通过大规模数据预训练并迁移至小样本数据集，实现高效预测。
2026-03-17 cs.AI cs.LG
Multi-Modal Hypergraph Diffusion Network with Dual Prior for Alzheimer Classification
University of Cambridge（剑桥大学）；Universite de Bordeaux（波尔多大学）
阿尔茨海默病前驱期的自动早期诊断对于患者治疗以改善生活质量具有重要意义。我们解决这个问题作为一个多模态分类任务。多模态数据提供了更丰富和互补的信息。然而，现有技术仅考虑数据与单/多模态成像数据之间的低阶关系。在这项工作中，我们介绍了一种新的半监督超图学习框架阿尔茨海默氏症的诊断。我们的框架允许多模态成像和非成像数据之间的高阶关系，同时需要一个微小的标记集。首先，我们引入了一种对偶嵌入策略来构造一个保持数据语义的健壮超图。我们实现这一点，通过强制执行扰动不变性在图像和图形级别使用基于对比的机制。其次，我们提出了一个动态调整的超图扩散模型，通过一个半显式流，以改善预测的不确定性。我们证明，通过我们的实验，我们的框架是能够优于目前的技术阿尔茨海默氏症的诊断。
2022-09-06 cs.CV cs.LG eess.IV
Dual-branch Spatial-Temporal Self-supervised Representation for Enhanced Road Network Learning
DST通过双分支空间-时间自监督框架提升道路网络学习，结合动态道路关系和交通模式差异，增强零样本学习能力。
2025-11-25 cs.LG
Closer through commonality: Enhancing hypergraph contrastive learning with shared groups
Graduate School of Data Science, KAIST（韩国科学技术院数据科学研究生院）；School of Computer Engineering, Hansung University（韩星大学计算机工程学院）；Department of Industrial and Systems Engineering, KAIST（韩国科学技术院工业与系统工程系）
针对超图对比学习研究少、现有方法无法充分利用超图高阶关联信息的问题，提出HyFi方法，通过节点特征加噪增强、引入弱正样本细粒度划分正样本，在10个数据集节点分类任务中平均排名优于基线，且训练高效。
2025-02-12 cs.LG
Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for Large Eigengaps of Dense Graphs and Hypergraphs
Chemnitz University of Technologies（开姆尼茨工业大学）
图卷积网络（GCN）已被证明是基于图的数据集上的半监督分类的成功工具。我们提出了一个新的GCN变体，其三部分过滤器空间是针对稠密图。示例包括用于3D点云的高斯图，其增加了对非局部信息的关注，以及基于分类数据的超图。这些图不同于常见的稀疏基准图，因为它们的图拉普拉斯算子的谱性质。最值得注意的是，我们观察到大的本征间隙，这是不利的流行现有的GCN架构。我们的方法通过利用拉普拉斯算子的伪逆来克服这些问题。另一个关键因素是卷积矩阵的低秩近似，确保计算效率并同时提高精度。我们概述了如何在每个应用程序中有效地计算必要的本征信息，并讨论了适当的选择的唯一元参数，近似秩。最后，我们展示了我们的方法的性能，在各种实验与真实世界的数据集的运行时间和准确性。
2021-01-28 cs.LG stat.ML
MARIOH: Multiplicity-Aware Hypergraph Reconstruction
Kim Jaechul Graduate School of AI, KAIST, Seoul, Republic of Korea（韩国科学技术院（KAIST）人工智能研究生院）；GraphAI, Daejeon, Republic of Korea（韩国大田GraphAI）
MARIOH提出一种利用边多重性从投影图重构原始超图的监督方法，通过识别可证明的规模为2超边、结合结构与多重性特征预测候选超边，并探索低置信度候选，在10个真实数据集上实现最高74.51%的重构准确率提升。
2025-05-06 cs.DB cs.LG
Hypergraph $p$-Laplacian regularization on point clouds for data interpolation
China Jiliang University（中国计量大学）；Deutsches Elektronen-Synchrotron DESY（德国电子同步加速器研究所）；Universität Hamburg（汉堡大学）
本文提出基于超图的p-拉普拉斯正则化方法，用于提升点云数据插值中防止标记点尖峰发展的性能。
2025-03-17 cs.LG cs.NA math.AP
