.png){kind=icon}
返回
M$^{2}$HyCo: Multi-View Multi-Granularity Hypergraph Contrastive Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TNSE.2026.3676609.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，超图对比学习（HCL）因其有效解决高标注成本并提升泛化能力而受到广泛关注。然而，现有HCL方法通常依赖随机拓扑增强策略，且优先单一粒度，导致在表示过程中难以保留关键结构信息、高阶关系以及全局一致性同局部特征动态的平衡。为克服这些挑战，本文提出了一种多视角多粒度超图对比学习。具体而言，我们首先设计了一种新的采样策略，生成三种互补视角以增强超图表示并提升多样性。此外，我们构建了一个混合注意力编码器，整合静态同质性注意力与动态自注意力，以对齐全局约束与局部适应性。通过联合优化节点和超边层面的对比损失，本框架有效捕捉结构细节与语义关联，显著提升分类精度和聚类质量。该方法适用于高阶依赖场景，如基于会话的推荐、社交群体交互建模及生物医学多实体网络。在多个基准数据集上的广泛实验表明，M²HyCo相较于近期强基线，在Cora-A和Pubmed等数据集上，将节点分类准确率平均提升0.4个百分点，NMI和ARI聚类性能分别提升5.72和8.72个百分点，特别是在高阶结构依赖条件下证明了其有效性。
Keyword:
Hypergraph
contrastive learning
multi-view
graph representation learning
期刊
I
IF:
7.9
论文数:
2.6K
被引数:
10.0K
机构
引用论文
.png){kind=icon}
Dual Contrastive Graph-Level Clustering with Multiple Cluster Perspectives Alignment多对比图级聚类与多视角簇对齐
PREAI
分享收藏
查看更多内容