論文の概要: Feature-aware Hypergraph Generation via Next-Scale Prediction

• arxiv url: http://arxiv.org/abs/2506.01467v1
• Date: Mon, 02 Jun 2025 09:24:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.292234
• Title: Feature-aware Hypergraph Generation via Next-Scale Prediction
• Title（参考訳）: 次世代予測による特徴認識ハイパーグラフ生成
• Authors: Dorian Gailhard, Enzo Tartaglione, Lirida Naviner, Jhony H. Giraldo,
• Abstract要約: 本稿では,ハイパグラフトポロジと特徴を協調的に生成する階層的アプローチであるFAHNES(Feature-aware hypergraph generation via next-scale prediction)を紹介する。 FAHNESはノードを粗くすることでマルチスケールの表現を構築し、局所的な拡張と改善によってより微細なレベルを再構築することを学ぶ。 合成ハイパーグラフ,3Dメッシュ,分子データセット上でFAHNESを評価する。
• 参考スコア（独自算出の注目度）: 6.997955138726617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hypergraphs generalize traditional graphs by allowing hyperedges to connect multiple nodes, making them well-suited for modeling complex structures with higher-order relationships, such as 3D meshes, molecular systems, and electronic circuits. While topology is central to hypergraph structure, many real-world applications also require node and hyperedge features. Existing hypergraph generation methods focus solely on topology, often overlooking feature modeling. In this work, we introduce FAHNES (feature-aware hypergraph generation via next-scale prediction), a hierarchical approach that jointly generates hypergraph topology and features. FAHNES builds a multi-scale representation through node coarsening, then learns to reconstruct finer levels via localized expansion and refinement, guided by a new node budget mechanism that controls cluster splitting. We evaluate FAHNES on synthetic hypergraphs, 3D meshes, and molecular datasets. FAHNES achieves competitive results in reconstructing topology and features, establishing a foundation for future research in featured hypergraph generative modeling.
• Abstract（参考訳）: ハイパーグラフは、ハイパーエッジが複数のノードを接続できるようにすることで従来のグラフを一般化し、3Dメッシュ、分子システム、電子回路などの高次関係を持つ複雑な構造をモデル化するのに適している。 トポロジーはハイパーグラフ構造の中心であるが、多くの実世界のアプリケーションはノードとハイパーエッジの機能を必要とする。 既存のハイパーグラフ生成手法はトポロジのみに重点を置いており、しばしば特徴モデリングを見落としている。 本研究では,ハイパグラフトポロジと特徴を協調的に生成する階層的アプローチであるFAHNES(Feature-aware hypergraph generation via next-scale prediction)を紹介する。 FAHNESはノードの粗大化を通じてマルチスケールの表現を構築し、その後、クラスタ分割を制御する新しいノード予算機構によってガイドされた局所的な拡張と改善を通じて、より微細なレベルを再構築することを学ぶ。 合成ハイパーグラフ,3Dメッシュ,分子データセット上でFAHNESを評価する。 FAHNESは、トポロジと特徴の再構築における競争的な成果を達成し、特集ハイパーグラフ生成モデリングにおける将来の研究の基盤を確立する。

関連論文リスト

• Community and hyperedge inference in multiple hypergraphs [9.782518418521175]
  複数のハイパーグラフ間の相互接続を利用して、複数の高階システムから統合された情報を合成する方法を示す。 ブロックモデルに基づくモデルを提案し、複数のハイパーグラフからの情報を統合し、潜在高次構造を明らかにする。 我々の研究は、複数のハイパーグラフを解析するための実用的で柔軟なツールを提供し、現実世界の高階システムにおける組織の理解を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-05-08T05:52:41Z)
• Hypergraph Foundation Model [31.16656352968761]
  ハイパーグラフニューラルネットワーク(HGNN)は、タンパク質相互作用やソーシャルネットワークのようなドメインにおける複雑な高次関係を効果的にモデル化する。 マルチドメイン知識抽出のためのハイパーグラフ基礎モデルHyper-FMを提案する。 また、HGNNとLLMの間の研究を進めるために、10のテキスト分散ハイパーグラフデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-03-03T05:56:08Z)
• 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)
• 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)
• 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)
• 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)

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。