論文の概要: Recent Advances in Hypergraph Neural Networks

• arxiv url: http://arxiv.org/abs/2503.07959v1
• Date: Tue, 11 Mar 2025 01:38:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 19:17:20.408663
• Title: Recent Advances in Hypergraph Neural Networks
• Title（参考訳）: ハイパーグラフニューラルネットワークの最近の進歩
• Authors: Murong Yang, Xin-Jian Xu,
• Abstract要約: 本稿では,ハイパーグラフニューラルネットワーク(HGNN)の最近の進歩を包括的にレビューし,そのアーキテクチャに基づく主流モデルの分類について述べる。 各カテゴリについて、その実践的応用、数学的メカニズム、文学貢献、オープン問題について検討する。
• 参考スコア（独自算出の注目度）: 1.1970409518725493
• License:
• Abstract: The growing interest in hypergraph neural networks (HGNNs) is driven by their capacity to capture the complex relationships and patterns within hypergraph structured data across various domains, including computer vision, complex networks, and natural language processing. This paper comprehensively reviews recent advances in HGNNs and presents a taxonomy of mainstream models based on their architectures: hypergraph convolutional networks (HGCNs), hypergraph attention networks (HGATs), hypergraph autoencoders (HGAEs), hypergraph recurrent networks (HGRNs), and deep hypergraph generative models (DHGGMs). For each category, we delve into its practical applications, mathematical mechanisms, literature contributions, and open problems. Finally, we discuss some common challenges and promising research directions.This paper aspires to be a helpful resource that provides guidance for future research and applications of HGNNs.
• Abstract（参考訳）: ハイパーグラフニューラルネットワーク(HGNN)への関心の高まりは、コンピュータビジョン、複雑なネットワーク、自然言語処理など、ハイパーグラフ構造化データ内の複雑な関係やパターンをキャプチャする能力によって引き起こされている。 本稿では,HGNNの最近の進歩を包括的にレビューし,HGCN(Hypergraph Convolutional Network),HGAT(Hypergraph attention Network),HGAE(Hypergraph Autoencoder),HGRN(Hypergraph Recurrent Network),DHGGM(Deep Hypergraph Generative Model)といったアーキテクチャに基づく主流モデルの分類について述べる。 各カテゴリについて、その実践的応用、数学的メカニズム、文学貢献、オープン問題について検討する。 最後に,HGNNの今後の研究・応用に関するガイダンスを提供する上で有用な資料として,いくつかの共通課題と今後の研究方向性について論じる。

関連論文リスト

• Superhypergraph Neural Networks and Plithogenic Graph Neural Networks: Theoretical Foundations [0.0]
  ハイパーグラフは、エッジが複数のノードを接続できるようにすることによって伝統的なグラフを拡張し、一方スーパーハイパーグラフは、この概念をさらに複雑な関係を表すように一般化する。 確立されたフレームワークであるグラフニューラルネットワーク(GNN)が先日,ハイパーグラフニューラルネットワーク(HGNN)に拡張された。 本稿では,超HyperGraph Neural Networks(SHGNNs)とPlithogenic Graph Neural Networks(Plithogenic Graph Neural Networks)の理論的基盤を確立する。
  論文  参考訳（メタデータ） (2024-12-02T06:33:02Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• A Survey on Hypergraph Neural Networks: An In-Depth and Step-By-Step Guide [24.639801635781975]
  ハイパーグラフニューラルネットワーク(HNN)は、ハイパーグラフ上での表現学習の強力なツールとして登場した。 われわれは、HNNに関する最初の調査を、詳細とステップバイステップガイドで紹介する。
  論文  参考訳（メタデータ） (2024-04-01T10:50:34Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• Hypergraph Neural Networks through the Lens of Message Passing: A Common Perspective to Homophily and Architecture Design [7.410655263764799]
  メッセージ・パッシング・スキームに基づく高階ネットワークにおけるホモフィリーの新たな概念化を提案する。 我々は、HNN内の高次構造を処理するための自然で、ほとんど探索されていない戦略について検討する。
  論文  参考訳（メタデータ） (2023-10-11T17:35:20Z)
• The Expressive Power of Graph Neural Networks: A Survey [8.652204270723994]
  定義の異なる表現力向上モデルに関する第1回調査を行う。 モデルは、グラフ機能拡張、グラフトポロジ拡張、GNNアーキテクチャ拡張という3つのカテゴリに基づいてレビューされる。
  論文  参考訳（メタデータ） (2023-08-16T09:12:21Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• 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)
• Preventing Over-Smoothing for Hypergraph Neural Networks [0.0]
  階層数の増加に伴い,ハイパーグラフニューラルネットワークの性能は向上しないことを示す。 我々はディープ・HGCNと呼ばれる新しいディープ・ハイパーグラフ・畳み込みネットワークを開発し、ディープ・レイヤにおけるノード表現を維持できる。
  論文  参考訳（メタデータ） (2022-03-31T16:33:31Z)
• Hypergraph Convolutional Networks via Equivalency between Hypergraphs and Undirected Graphs [59.71134113268709]
  本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。 本稿では,提案するフレームワークが最先端の性能を達成できることを示す。 ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2022-03-31T10:46:47Z)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
  グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。 グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。 近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)

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。