Self-Supervised Hypergraph Training Framework via Structure-Aware Learning

doi:10.1109/TPAMI.2025.3594487

Self-Supervised Hypergraph Training Framework via Structure-Aware Learning

0

PRE

AI

DOI：10.1109/TPAMI.2025.3594487

原文链接

原文求助

摘要

En 中文

超图，凭借其能够建模复杂且超越成对相关性的能力，在捕捉跨多个领域的复杂关系数据方面相较于传统图表现出显著的进步。然而，将超图整合到自监督学习（SSL）框架中，一直受到高阶结构变化复杂性的阻碍。本文提出了一种基于结构感知学习的自监督超图训练框架（SS-HT），旨在增强对超图中这些变化的感知和测量。SS-HT框架采用“掩码与再掩码”策略来增强超图神经网络（HGNN）中的特征重构，解决了传统SSL方法的局限性。它还引入了一种用于局部高阶相关性变化的度量策略，简化了结构距离计算的计算效率。在11个数据集上的广泛实验表明，SS-HT在低阶和高阶数据上均优于现有的SSL方法。值得注意的是，该框架显著降低了数据标注依赖性，在Cora-CC数据集的1%标注数据设置下，下游任务微调阶段的性能较HGNN提升了32%。消融研究进一步验证了SS-HT的可扩展性及其增强各种HGNN方法性能的能力，突显了其在实际场景中的鲁棒性和适用性。

Keyword:

High-order learning

self-supervised learning

high-order structure distance metric

Self-Supervised Hypergraph Training Framework via Structure-Aware Learning

摘要

期刊

机构

引用论文