論文の概要: Modeling Edge-Specific Node Features through Co-Representation Neural Hypergraph Diffusion
- arxiv url: http://arxiv.org/abs/2405.14286v3
- Date: Sun, 21 Sep 2025 13:43:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-23 18:58:15.585204
- Title: Modeling Edge-Specific Node Features through Co-Representation Neural Hypergraph Diffusion
- Title（参考訳）: 共表現型ニューラルグラフ拡散によるエッジ特異的ノード特徴のモデル化
- Authors: Yijia Zheng, Marcel Worring,
- Abstract要約: エッジ依存ノード分類(ENC)のためのエッジ固有の特徴をモデル化する新しいHGNNアーキテクチャである textbfCoNHD を提案する。
本研究では,同変ネットワークを拡散演算子として活用し,データから拡散力学を効果的に学習する拡散過程のニューラル実装を開発する。
- 参考スコア（独自算出の注目度）: 13.420568360763227
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hypergraphs are widely being employed to represent complex higher-order relations in real-world applications. Most existing research on hypergraph learning focuses on node-level or edge-level tasks. A practically relevant and more challenging task, edge-dependent node classification (ENC), is still under-explored. In ENC, a node can have different labels across different hyperedges, which requires the modeling of node features unique to each hyperedge. The state-of-the-art ENC solution, WHATsNet, only outputs single node and edge representations, leading to the limitations of \textbf{entangled edge-specific features} and \textbf{non-adaptive representation sizes} when applied to ENC. Additionally, WHATsNet suffers from the common \textbf{oversmoothing issue} in most HGNNs. To address these limitations, we propose \textbf{CoNHD}, a novel HGNN architecture specifically designed to model edge-specific features for ENC. Instead of learning separate representations for nodes and edges, CoNHD reformulates within-edge and within-node interactions as a hypergraph diffusion process over node-edge co-representations. We develop a neural implementation of the proposed diffusion process, leveraging equivariant networks as diffusion operators to effectively learn the diffusion dynamics from data. Extensive experiments demonstrate that CoNHD achieves the best performance across all benchmark ENC datasets and several downstream tasks without sacrificing efficiency. Our implementation is available at https://github.com/zhengyijia/CoNHD.
- Abstract（参考訳）: ハイパーグラフは、現実世界のアプリケーションにおける複雑な高次関係を表現するために広く使われている。
ハイパーグラフ学習に関するほとんどの研究は、ノードレベルまたはエッジレベルのタスクに焦点を当てている。
エッジ依存ノード分類(エッジ依存ノード分類、ENC)は、実際は関連性があり、より困難なタスクである。
ENCでは、ノードは複数のハイパーエッジにまたがる異なるラベルを持つことができる。
最先端のECNソリューションであるWHATsNetは、単一ノードとエッジ表現のみを出力し、ECNに適用した場合、 \textbf{entangled edge-specific features} と \textbf{non-adaptive representation sizes} の制限が生じる。
さらに、WHATsNetは、ほとんどのHGNNで共通の \textbf{oversmoothing issue} に悩まされている。
これらの制約に対処するために, エッジ特化機能をEMC用にモデル化する新しいHGNNアーキテクチャである \textbf{CoNHD} を提案する。
ノードとエッジの別々の表現を学ぶ代わりに、CoNHDはノードエッジの共表現上のハイパーグラフ拡散プロセスとして、エッジ内およびノード内相互作用を再構成する。
本研究では,同変ネットワークを拡散演算子として活用し,データから拡散力学を効果的に学習する拡散過程のニューラル実装を開発する。
大規模な実験により、CoNHDは効率を犠牲にすることなく、すべてのベンチマークECCデータセットと下流タスクで最高のパフォーマンスを達成している。
実装はhttps://github.com/zhengyijia/CoNHD.comで公開しています。
関連論文リスト
- NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Classification of Edge-dependent Labels of Nodes in Hypergraphs [17.454063924648896]
エッジ依存ノードラベルの分類を新しい問題として紹介する。
この問題はハイパーグラフニューラルネットワークのベンチマークタスクとして使用できる。
提案するWHATsNetは,参加するハイパーエッジに応じて同一ノードを異なる表現で表現する,新しいハイパーグラフニューラルネットワークである。
論文 参考訳（メタデータ） (2023-06-05T16:50:34Z) - Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。
THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。
3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文 参考訳（メタデータ） (2023-06-05T03:26:06Z) - Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。
まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。
監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
論文 参考訳（メタデータ） (2022-12-25T23:19:56Z) - From Node Interaction to Hop Interaction: New Effective and Scalable
Graph Learning Paradigm [25.959580336262004]
本稿では,制約に同時に対処する新しいホップ相互作用パラダイムを提案する。
中心となる考え方は、ノード間のインタラクションターゲットを、各ノード内で事前処理されたマルチホップ機能に変換することである。
グラフの幅広い領域、スケール、滑らかさにおいて、12のベンチマークデータセットに対して広範な実験を行う。
論文 参考訳（メタデータ） (2022-11-21T11:29:48Z) - Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。
本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。
実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
論文 参考訳（メタデータ） (2022-07-14T06:17:00Z) - Multiplex Bipartite Network Embedding using Dual Hypergraph
Convolutional Networks [16.62391694987056]
非監視のデュアルグラフ畳み込みネットワーク(DualHGCN)モデルを開発し、マルチプレックスバイパートネットワークを2組の均質ハイパーグラフに変換します。
リンク予測とノード分類タスクの4つの実世界のデータセットを用いてDualHGCNをベンチマークする。
論文 参考訳（メタデータ） (2021-02-12T07:20:36Z) - NCGNN: Node-level Capsule Graph Neural Network [45.23653314235767]
ノードレベルカプセルグラフニューラルネットワーク(ncgnn)は、ノードをカプセル群として表現する。
凝集に適したカプセルを適応的に選択する新しい動的ルーティング手法を開発した。
NCGNNは、過度にスムースな問題に対処でき、分類のためのより良いノード埋め込みを生成することで、芸術の状態を上回ります。
論文 参考訳（メタデータ） (2020-12-07T06:46:17Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z) - Towards Deeper Graph Neural Networks with Differentiable Group
Normalization [61.20639338417576]
グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。
オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。
2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
論文 参考訳（メタデータ） (2020-06-12T07:18:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。