Kernelized Hypergraph Neural Networks

Yifan Feng

doi:10.1109/TPAMI.2025.3585179

Kernelized Hypergraph Neural Networks

0

PRE

AI

DOI：10.1109/TPAMI.2025.3585179

原文链接

原文求助

摘要

En 中文

超图神经网络（HGNNs）在处理高阶结构数据学习方面受到了广泛关注。现有方法主要关注基于简单平均的聚合或手动组合多种聚合方式以捕获超图上的多源信息。然而，这些方法本质上缺乏连续非线性建模能力，且对不同的分布敏感。尽管一些基于核的聚合方法在GNNs和CNNs中能够在一定程度上捕获非线性模式，但这些方法受限于低阶相关性，可能导致训练过程中的计算不稳定。在本文中，我们引入了核化超图神经网络（KHGNN）及其变体半核化超图神经网络（H-KHGNN），通过协同平均聚合和最大聚合函数来增强超图上的表示学习。KHGNN的核化聚合策略通过可学习参数自适应地捕获语义和结构信息，为特征提取提供了基于数学的核化聚合方法融合。H-KHGNN通过在顶点到超边的消息传递过程中选择性地采用非线性聚合，解决了在结构简单的超图中过拟合的挑战，从而降低了模型复杂度。我们的理论贡献揭示了核化聚合的梯度有界性，确保了训练和推理过程中的稳定性。实验结果表明，KHGNN和H-KHGNN在10个图/超图数据集上均优于当前最优模型，消融研究进一步验证了该方法的有效性和计算稳定性。

Keyword:

Hypergraph

kernelized aggregation

hypergraph neural networks

Kernelized Hypergraph Neural Networks

摘要

期刊

机构