.png){kind=icon}
返回
Hypergraph-Based High-Order Correlation Analysis for Large-Scale Long-Tailed Data Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2025.3603631.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高阶相关性，能够捕捉多个实体间的复杂交互，超越了传统的图表示方法，并支持更广泛的应用。然而，现有用于高阶相关性的神经网络模型在大数据集上面临可扩展性问题，这是由于处理大规模结构时涉及巨大的计算复杂度。此外，长尾分布（在真实数据中常见）导致类别表示不足，阻碍了模型对稀有实例学习有效高阶交互模式的能力。为解决这些问题，我们提出了一种名为基于超图的**高阶相关性分析**（HGHC）的新框架，用于大规模长尾数据分类。首先，为应对长尾分布问题，HGHC通过受SMOTE启发的过采样模块（称为HSMOTE）生成合成顶点，并计算其属性高阶相关性，以增强尾类别的表示。其次，为提高计算效率的可扩展性，我们将数据视为两种模态：捕捉高阶关系的结构模态和表示个体属性的特征模态。我们在CPU和GPU上分别进行计算，然后融合结果，实现轻量级的顶点转换与聚合方案，用于高阶相关性数据。此外，我们贡献了首个涉及高阶相关性的大规模长尾数据集基准，称为Amazon-LT，其中包括具有不同不平衡比例的多个数据集。我们的实验结果表明，HGHC在处理大规模长尾数据的高阶相关性分析问题上取得了**当前最优**的性能。
Keyword:
Graph representation
high-order correlation
large-scale computation
long-tailed distribution
期刊
IF:
18.6
论文数:
1.1K
被引数:
9.8W
机构
引用论文
Scaling Graph Neural Networks with Approximate PageRank.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏分享收藏分享收藏分享收藏分享收藏
查看更多内容