.png){kind=icon}
返回
HGNNv2: Stable Hypergraph Neural Networks
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2026.3652225.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
超图神经网络（HGNNs）是分析高阶关系数据广泛使用的模型。HGNNs随着层数增加会迅速出现性能退化。超图动态系统（HDS）是应对这一挑战的潜在方法。然而，超图动态系统局限于一个时间连续的各向同性模型，缺乏超图结构空间中的位置信息。相比之下，各向异性扩散能够捕捉顶点间的结构空间差异，比各向同性扩散能更精确地表示超图结构中的信息传播过程。本文引入HGNNv2，一种稳定的超图神经网络，它被构建为一个以偏微分方程（PDE）为基础的超图动态系统。该模型引入了一个位置感知的各向异性扩散项和一个外部控制项。我们进一步提出顶点根植子树方法来确定各向异性扩散强度。HGNNv2具有以下性质：结构空间中占据等效位置的顶点共享等效的结构标签和位置特征。在6个超图数据集和3个图数据集上的实验表明，HGNNv2优于所有12种对比方法。HGNNv2即使在噪声条件下也能实现稳定的最终表示和任务准确率。与采用各向同性扩散的超图动态系统相比，HGNNv2使用更少的层数即可达到稳定性能。我们提供了特征可视化来阐述表示的演变过程。
Keyword:
Hypergraph
hypergraph neural network
HGNNv2
hypergraph dynamic system
期刊
IF:
18.6
论文数:
1.0K
被引数:
9.8W
机构
引用论文
分享收藏
Hypergraph-Based High-Order Correlation Analysis for Large-Scale Long-Tailed Data Classification基于超图的阶相关性分析用于大规模长尾数据分类
PREAI
分享收藏DHHNN: A Dynamic Hypergraph Hyperbolic Neural Network based on variational autoencoder for multimodal data integration and node classificationDHHNN: 基于变分自动编码器的动态超图双曲神经网络，用于多模态数据集成和节点分类.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏struc2vecProceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏分享收藏
查看更多内容