.png){kind=icon}
返回
Hypergraph neural network with state space models for node classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.112922.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，图神经网络（GNNs）在图结构数据的节点分类任务中获得了广泛关注。然而，传统GNNs主要关注节点间的邻接关系，常常忽视基于角色的特征，而这些特征能够为学习表达性节点表示提供互补性见解。现有提取基于角色特征的框架大多是无监督的，并且往往难以有效应用于下游预测任务。为解决这些局限性，我们提出了一种带有状态空间模型（HGMN）的超图神经网络。该模型通过结合超图构建与状态空间建模，以系统性的方式将基于角色的表示融入GNNs。HGMN采用超图构建技术捕捉高阶关系，并利用可学习的mamba transformer机制融合基于角色和基于邻接的嵌入。通过探索两种不同的超图构建策略（基于度数和基于邻域），该框架加强了结构相似节点间的连通性，从而丰富了学习到的表示。此外，超图卷积层的引入使模型能够考虑超图结构内的复杂依赖关系。为缓解深层网络中遇到的过平滑问题，我们引入了残差连接，这提高了稳定性并促进了跨层的有效特征传播。在包括OGB、ACM、DBLP、IIP TerroristRel、Cora、Citeseer和Pubmed在内的基准数据集上的全面实验表明，HGMN在节点分类任务中始终优于强大的基线方法。这些结果支持了以下观点：在超图框架中显式地融入基于角色的特征，对节点分类任务具有实际益处。
