.png){kind=icon}
返回
Hypergraph neural diffusion networks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.108271.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出超图神经扩散网络（HNDiffN），用于学习超图中的节点嵌入和超边嵌入。其主要创新在于适当地开发了在超图的节点和超边上定义的连续时间扩散方程。通过由此产生的适定微分方程组，可以采用成熟的数值微分方程方案来设计具有理想稳定性特性的各种神经网络系列。我们还指出了超图上的扩散与计算流体动力学中的交错网格表述之间的一些相似性，以提供对所提出的超图模型的替代性解释。实验结果充分证明，在解决大量半监督分类问题时，HNDiffN在特定评估指标上始终优于所有基线方法。此外，实验表明，随着网络深度的增加，预测精度保持稳定，而其他基于图和基于超图的基线模型则出现退化。这归因于微分方程方法能产生更受控制的网络梯度，这有助于克服深度困境并保持相当不错的稳定性。
