論文の概要: Wasserstein Hypergraph Neural Network

• arxiv url: http://arxiv.org/abs/2506.09682v1
• Date: Wed, 11 Jun 2025 12:59:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.972182
• Title: Wasserstein Hypergraph Neural Network
• Title（参考訳）: Wasserstein Hypergraph Neural Network
• Authors: Iulia Duta, Pietro Liò,
• Abstract要約: Wasserstein Hypergraph Neural Networkは、ノードとハイパーエッジ近傍を分布として扱うモデルである。 ハイパーグラフ設定におけるワッサースタインプーリングの適用はノード分類タスクに大きく貢献することを示す。
• 参考スコア（独自算出の注目度）: 19.853413818941608
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to model relational information using machine learning has driven advancements across various domains, from medicine to social science. While graph representation learning has become mainstream over the past decade, representing higher-order relationships through hypergraphs is rapidly gaining momentum. In the last few years, numerous hypergraph neural networks have emerged, most of them falling under a two-stage, set-based framework. The messages are sent from nodes to edges and then from edges to nodes. However, most of the advancement still takes inspiration from the graph counterpart, often simplifying the aggregations to basic pooling operations. In this paper we are introducing Wasserstein Hypergraph Neural Network, a model that treats the nodes and hyperedge neighbourhood as distributions and aggregate the information using Sliced Wasserstein Pooling. Unlike conventional aggregators such as mean or sum, which only capture first-order statistics, our approach has the ability to preserve geometric properties like the shape and spread of distributions. This enables the learned embeddings to reflect how easily one hyperedge distribution can be transformed into another, following principles of optimal transport. Experimental results demonstrate that applying Wasserstein pooling in a hypergraph setting significantly benefits node classification tasks, achieving top performance on several real-world datasets.
• Abstract（参考訳）: 機械学習を用いて関係情報をモデル化する能力は、医学から社会科学まで、様々な分野の進歩を促している。 グラフ表現学習はこの10年で主流になっているが、ハイパーグラフによる高次関係の表現は急速に勢いを増している。 ここ数年、多くのハイパーグラフニューラルネットワークが登場し、そのほとんどは2段階のセットベースフレームワークに該当している。 メッセージはノードからエッジへ、そしてエッジからノードへ送信される。 しかし、ほとんどの進歩はグラフからのインスピレーションを受けており、基本的なプール操作へのアグリゲーションを単純化することが多い。 本稿では、ノードとハイパーエッジを分布として扱い、スライスされたワッサースタインプールを用いて情報を集約するモデルであるワッサースタインハイパーグラフニューラルネットワークを導入する。 平均や和のような従来の1次統計のみを捉えるアグリゲータとは異なり、我々の手法は分布の形状や広がりのような幾何学的性質を保存できる。 これにより、学習された埋め込みは、最適な輸送の原則に従って、あるハイパーエッジ分布がいかに簡単に別のものへ変換できるかを反映することができる。 実験結果から,ハイパーグラフ環境におけるWassersteinプーリングの適用はノード分類タスクに大きく寄与し,複数の実世界のデータセット上で最高のパフォーマンスを達成できることが示された。

関連論文リスト

• SPHINX: Structural Prediction using Hypergraph Inference Network [19.853413818941608]
  本稿では,非教師付き手法で遅延ハイパーグラフ構造を推論するモデルであるハイパーグラフ推論ネットワーク(SPHINX)を用いた構造予測を提案する。 最近の$k$サブセットサンプリングの進歩は、離散ハイパーグラフ構造を生成するのに適したツールであることを示す。 結果として得られるモデルは、現代のハイパーグラフニューラルネットワークに必要な高次構造を生成することができる。
  論文  参考訳（メタデータ） (2024-10-04T07:49:57Z)
• HyperSMOTE: A Hypergraph-based Oversampling Approach for Imbalanced Node Classifications [2.172034690069702]
  ハイパーグラフ学習におけるクラス不均衡問題を緩和する手法としてHyperSMOTEを提案する。 マイノリティクラスとその周辺地域のサンプルに基づいて新しいノードを合成する。 新たなノードをハイパーグラフに統合する際の問題を解決するために,元のハイパーグラフインシデント行列に基づいてデコーダを訓練する。
  論文  参考訳（メタデータ） (2024-09-09T08:01:28Z)
• 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)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• 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)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Adaptive Neural Message Passing for Inductive Learning on Hypergraphs [21.606287447052757]
  本稿では,新しいハイパーグラフ学習フレームワークHyperMSGを紹介する。 各ノードの次数集中度に関連する注意重みを学習することで、データとタスクに適応する。 堅牢で、幅広いタスクやデータセットで最先端のハイパーグラフ学習手法より優れています。
  論文  参考訳（メタデータ） (2021-09-22T12:24:02Z)
• HyperSAGE: Generalizing Inductive Representation Learning on Hypergraphs [24.737560790401314]
  2段階のニューラルメッセージパッシング戦略を用いて、ハイパーグラフを介して情報を正確かつ効率的に伝播する新しいハイパーグラフ学習フレームワークHyperSAGEを提案する。 本稿では,HyperSAGEが代表的ベンチマークデータセット上で最先端のハイパーグラフ学習手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-09T13:28:06Z)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)

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。