Beyond Convolution: Advancing Hypergraph Neural Networks with Hypergraph U-Nets

Fuli Wang

doi:10.1109/tpami.2026.3743238

Beyond Convolution: Advancing Hypergraph Neural Networks with Hypergraph U-Nets

2026-10-13

0

PRE

AI

DOI：10.1109/tpami.2026.3743238

原文链接

原文求助

摘要

En 中文

卷积已成功从图像迁移到超图，但U-Net这一在其他领域证明具有决定性作用的编解码架构，由于超图缺乏明确定义的池化和反池化操作，仍难以应用于超图数据。本文介绍了超图U-Net（HGUN）及其所需的两个算子。并行层次池化（PHPool）为超图拟合一个层次聚类树状图，并一次性读取所有粗化层级，通过超图模块度选择切割阈值；并行层次反池化（PHUnpool）则反转这些映射以恢复原始分辨率。通过从单个层次结构中并行选择每一层级，而非按顺序组合粗化操作，可防止某一分辨率的结构失真被继承至下一层级，我们证明了在匹配第一层粗化的条件下，该方法能保留至少与输入超图同等的信息量。此外，本文提出了一种超图交叉卷积（HGXConv）层，通过度归一化乘积特征混合捕捉多元交互。在超图信号重建、七个基准数据集上的超图分类以及节点异常检测任务中，HGUN超越了当前最先进的图和超图基线方法，且对网络深度具有显著更强的鲁棒性。

Keyword:

Geometric deep learning

hypergraph neural networks

hypergraph U-Nets

hypergraph convolution

hierarchical pooling and unpooling

hierarchical clustering

hypergraph modularity

node anomaly detection

Beyond Convolution: Advancing Hypergraph Neural Networks with Hypergraph U-Nets

摘要

期刊

机构

引用论文