通过粒度球进行多粒度自适应超图表示学习

摘要

arXiv:2609.05574v1 Announce Type: new Abstract: Hypergraph representation learning aims to capture high-order information in graphs by constructing hyperedges that simultaneously connect multiple node...

hyperedges the underline high order multiple and Hypergraph graph topological

2026-09-09 1 阅读约1分钟阅读 Sen Zhao, Yifan Guan, Jinyuan Ni, Gaojie Xu, Zhang Xu, Xiaoyu Lian, Yi Liu, Yi Wang, Wei Wang

arXiv:2609.05574v1 发布类型：新摘要：超图表示学习旨在通过构建同时连接多个节点的超边来捕获图中的高阶信息。这些超边适应图的拓扑特征，有助于提取多粒度的高阶关系。大多数先前的工作依赖于预定义的定义来生成超边，忽略了图拓扑结构的多样性和超边的多粒度特征。因此，这限制了他们有效、自适应地发现高阶关系和高效处理复杂结构信息的能力。为了解决这个限制，我们提出了一个新的框架，称为 \underline{M}ulti-\underline{G}ranularity \underline{H}ypergraph \underline{R}representation \underline{L}earning (MGHRL)。 MGHRL引入了自适应粒度超图生成策略，通过粒球的自适应分裂生成多个粒度级别的超边，有效地捕获基于图的拓扑结构的高阶关系。此外，我们提出了一种具有多个子网络的多粒度超图网络，从不同粒度的超边缘捕获特征，并通过分层可逆连接将它们集成。实验结果表明，MGHRL 在基准数据集上显着优于基线模型。

订阅66必读