.png){kind=icon}
返回
DHHNN: A Dynamic Hypergraph Hyperbolic Neural Network based on variational autoencoder for multimodal data integration and node classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2025.103016.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，双曲几何与图神经网络（GNNs）的融合因其有效捕获复杂层次结构的能力而备受关注，尤其是在真实世界图和 Scale-free 网络中。尽管双曲神经网络已在多个领域展现出优异性能，但现有模型大多依赖静态图结构，限制了其对动态数据的适应性。以往研究主要关注提升双曲空间对训练中潜在空间数据的建模能力，往往忽视了训练前高阶固有特征的保留。为解决这一问题，我们提出了一种基于变分自编码器的多模态数据融合动态超图双曲神经网络（DHHNN）。该模型结合了双曲几何、动态超图和自注意力机制的优势，以增强多模态数据表示学习。DHHNN 引入了一种动态超图框架，可在训练过程中持续调整超节点与超边之间的关系，有效捕捉复杂网络中的高阶依赖。此外，自注意力机制动态调节超节点与超边之间的依赖层级，增强了模型捕捉长距离依赖和复杂特征交互的能力。利用双曲空间的负曲率特性，DHHNN 能紧凑且准确地表示复杂的 Scale-free 网络。在七个基准数据集上的实验结果及潜在空间可视化表明，DHHNN 提供了紧凑且有效的数据表示，优于现有模型，并在节点分类任务中达到了最佳性能。
Keyword:
Hyperbolic hypergraph
Dynamic hypergraph
Variational autoencoder
期刊
IF:
15.5
论文数:
4.2K
被引数:
2.7W
机构
暂无机构信息
引用论文
Hierarchical Adaptive Pooling by Capturing High-Order Dependency for Graph Representation Learning通过捕获图表示学习的高阶依赖来实现分层自适应池化
OAAI
OAAI分享收藏A review of graph neural networks: concepts, architectures, techniques, challenges, datasets, applications, and future directions图神经网络综述: 概念、架构、技术、挑战、数据集、应用和未来方向.png)
JOURNAL OF BIG DATAOAAI
JOURNAL OF BIG DATAIF6.4
OAAI分享收藏Hyperspectral image classification using graph convolutional network: A comprehensive review基于图卷积网络的高光谱图像分类综述
PREAI
分享收藏A Comprehensive Survey of Graph Embedding: Problems, Techniques, and Applications图嵌入的综合调查: 问题，技术和应用
OAAI
OAAI分享收藏HHGNN: Hyperbolic Hypergraph Convolutional Neural Network based on variational autoencoderNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Complex Graph Analysis and Representation Learning: Problems, Techniques, and Applications复杂图分析和表示学习: 问题，技术和应用
PREAI
分享收藏Tackling higher-order relations and heterogeneity: Dynamic heterogeneous hypergraph network for spatiotemporal activity prediction解决高阶关系和异质性: 用于时空活动预测的动态异构超图网络NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
查看更多内容