.png){kind=icon}
返回
HGMAE: Hypergraph Masked Autoencoder
.png){kind=icon}
PRE
AI
DOI：10.1109/tbdata.2026.3702416.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
超图因能够建模实体间的高阶相关性而在多个研究领域得到广泛应用。尽管现有超图学习方法已将图卷积扩展至超图，但难以有效提取无标签数据的特征。近期，生成式自监督学习（尤其是掩码自编码器）在处理无标签图数据方面展现出巨大潜力，但应用于超图仍存在两大挑战：（1）如何通过生成式学习准确捕捉超图复杂的高阶关系；（2）如何在设计重建策略时保持鲁棒性。为解决这些问题，我们提出超图掩码自编码器（HGMAE），利用生成式自监督学习技术从无标签数据中学习。首先，采用动态线性掩码率的属性掩码与超边掩码，以实现超图的有效学习。随后，采用两种训练策略：节点属性重建以捕捉各类节点属性信息，以及基于超图的等效二分图重建以捕捉超图结构中的高阶语义信息。我们在引文网络分类和视觉目标识别任务上进行实验，结果表明所提HGMAE在多个基准数据集上优于现有方法和基线方法。
Keyword:
Node classification
self-supervised learning
masked autoencoder
pre-training
