Local and High-Order Consistency Coding and Adaptation for Cross-Hypergraph Node Classification

Hanrui Wu

doi:10.1109/TPAMI.2026.3682385

Local and High-Order Consistency Coding and Adaptation for Cross-Hypergraph Node Classification

2026-04-09

0

PRE

AI

陈晨 (C. L. Philip Chen)

DOI：10.1109/TPAMI.2026.3682385

原文链接

原文求助

摘要

En 中文

节点分类是超图学习中的一个基础任务。现有方法通常假设预先给定少量标记节点。然而，在新建的超图中，收集标签信息在实际中具有挑战性和成本高。此外，当前方法主要利用局部一致性关系，即直接邻域信息，而忽略了高阶一致性关系，即高阶邻近信息，限制了潜在表示的判别能力。为解决这些问题，我们提出利用一个辅助良好标记的超图（源超图）的知识来协助目标超图的学习任务，从而研究跨超图节点分类问题。具体而言，我们提出一个名为局部和高阶一致性编码与适应（LHCCA）的模型，该模型学习判别性和可迁移的节点表示。一方面，对于每个超图，通过利用局部和高阶一致性关系，LHCCA获得两种表示，然后通过注意力机制进行编码以实现统一表示。另一方面，编码后的源和目标节点表示通过对抗领域适应和对比学习来发现可迁移特征以进行适应。此外，我们进行理论分析以建立所提出模型的理想属性。在多个真实数据集上进行了广泛实验，有前景的结果证明了所提出模型的有效性。

Keyword:

Hypergraphs

cross-hypergraph

hypergraph transfer learning

node classification

domain adaptation

Local and High-Order Consistency Coding and Adaptation for Cross-Hypergraph Node Classification

摘要

期刊

机构

引用论文