.png){kind=icon}
返回
Self-supervised hypergraph structure learning
.png){kind=icon}
OA
AI
DOI：10.1007/s10462-025-11199-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统超图神经网络（HGNNs）通常假设超图结构是完美构建的，但现实中的超图通常因噪声、缺失数据或无关信息而受到破坏，限制了超图学习的有效性。为解决这一挑战，我们提出了SHSL，一种新颖的自监督超图结构学习框架，该框架无需外部标签即可联合探索和优化超图结构。SHSL包含两个关键组件：一个自组织初始化模块，用于构建潜在超图表示；以及一个可微优化模块，通过基于梯度的学习来细化超图。这些模块协同捕获高阶依赖关系以增强超图表示。此外，SHSL引入了一种双学习机制，以在统一框架内同时指导结构探索与优化。在六个公开数据集上的实验表明，SHSL优于现有最先进基线方法，在超图探索与优化任务上分别实现了1.36%-32.37%和2.23%-27.54%的准确率提升，在非超图数据集上实现了1.19%-8.4%的提升。鲁棒性评估进一步验证了SHSL在噪声和不完整场景下的有效性，突显了其应用价值。SHSL的实现代码及所有实验代码公开可访问于：https://github.com/MingyuanLi88888/SHSL。
Keyword:
Self-supervised
Hypergraph structure learning
Optimizing hypergraph structure
Hypergraph neural networks
Joint optimization
期刊
IF:
13.9
论文数:
6.1K
被引数:
1.9W
机构
引用论文
分享收藏Dual Channel Hypergraph Collaborative Filtering.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
PREAI
分享收藏Messages are Never Propagated Alone: Collaborative Hypergraph Neural Network for Time-Series Forecasting消息从不单独传播：用于时间序列预测的协作超图神经网络
PREAI
分享收藏
查看更多内容