Learning Directed Knowledge Using Higher-Ordered Neural Networks: Building a Predictive Framework

Yousra Moh Ousellam

doi:10.3390/app152011085

Learning Directed Knowledge Using Higher-Ordered Neural Networks: Building a Predictive Framework

2025-10-16

0

PRE

AI

Y

Yousra Moh Ousellam

B

Bikram Pratim Bhuyan *

DOI：10.3390/app152011085

原文链接

原文求助

摘要

En 中文

大多数图学习方法仍局限于无向、成对交互，限制了其捕捉真实系统中常见的多实体和方向性关系的能力。我们提出了定向高阶神经网络（HONN）框架，通过灵活的谱拉普拉斯公式将方向性引入超图学习中。与固定拉普拉斯方法（如广义定向超图神经网络GeDi-HNN）不同，我们框架中的可调q参数在局部身份保持与全局扩散之间取得平衡，实现了稳健且可泛化的特征传播。在五个基准数据集上的实验表明，HONN始终达到或优于当前最优基线，在NTU-2012上达到84%，在WebKB Texas上达到87.4%，在Cornell上达到86.2%，同时保持计算效率。消融研究证实了拉普拉斯选择、激活函数和q调优在塑造模型性能中的关键作用。通过统一方向性和高阶推理，HONN为知识图谱、时空网络和推荐系统等领域的预测建模提供了可扩展的基础。

Keyword:

Directed Hypergraph Neural Networks

higher-order graph learning

spectral Laplacian operators

knowledge graphs

spatio-temporal networks

Learning Directed Knowledge Using Higher-Ordered Neural Networks: Building a Predictive Framework

摘要

期刊

机构