論文の概要: Heterogeneous Temporal Hypergraph Neural Network

• arxiv url: http://arxiv.org/abs/2506.17312v1
• Date: Wed, 18 Jun 2025 10:36:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.338002
• Title: Heterogeneous Temporal Hypergraph Neural Network
• Title（参考訳）: 不均一時間ハイパーグラフニューラルネット
• Authors: Huan Liu, Pengfei Jiao, Mengzhou Gao, Chaochao Chen, Di Jin,
• Abstract要約: グラフ表現学習(GRL)は,グラフ構造化データのモデリングに有効な手法である。 本稿では,HTGの高次相互作用をフルに捉えるために,HTHGN(Heterogeneous Temporal HyperGraph Neural Network)を提案する。 3つの実世界のHTGデータセットに関する詳細な実験結果は、提案したHTHGNがHTGの高次相互作用をモデル化するための有効性を検証する。
• 参考スコア（独自算出の注目度）: 25.524117795336053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph representation learning (GRL) has emerged as an effective technique for modeling graph-structured data. When modeling heterogeneity and dynamics in real-world complex networks, GRL methods designed for complex heterogeneous temporal graphs (HTGs) have been proposed and have achieved successful applications in various fields. However, most existing GRL methods mainly focus on preserving the low-order topology information while ignoring higher-order group interaction relationships, which are more consistent with real-world networks. In addition, most existing hypergraph methods can only model static homogeneous graphs, limiting their ability to model high-order interactions in HTGs. Therefore, to simultaneously enable the GRL model to capture high-order interaction relationships in HTGs, we first propose a formal definition of heterogeneous temporal hypergraphs and $P$-uniform heterogeneous hyperedge construction algorithm that does not rely on additional information. Then, a novel Heterogeneous Temporal HyperGraph Neural network (HTHGN), is proposed to fully capture higher-order interactions in HTGs. HTHGN contains a hierarchical attention mechanism module that simultaneously performs temporal message-passing between heterogeneous nodes and hyperedges to capture rich semantics in a wider receptive field brought by hyperedges. Furthermore, HTHGN performs contrastive learning by maximizing the consistency between low-order correlated heterogeneous node pairs on HTG to avoid the low-order structural ambiguity issue. Detailed experimental results on three real-world HTG datasets verify the effectiveness of the proposed HTHGN for modeling high-order interactions in HTGs and demonstrate significant performance improvements.
• Abstract（参考訳）: グラフ表現学習(GRL)は,グラフ構造化データのモデリングに有効な手法である。 実世界の複素ネットワークにおける異種性や力学をモデル化する際、複雑な異種時間グラフ(HTG)用に設計されたGRL法が提案され、様々な分野で成功している。 しかし、既存のGRL法は主に、より現実的なネットワークとの整合性が高い高次グループ間相互作用を無視しながら、低次トポロジ情報の保存に重点を置いている。 さらに、既存のハイパーグラフ法は静的な均一グラフのみをモデル化することができ、HTGにおける高次相互作用をモデル化する能力を制限することができる。 そこで,HTGにおける高次相互作用関係を同時に捉えるために,まず,追加情報に依存しない不均一な時間ハイパーグラフと$P$均一なヘテロジニアスハイパーエッジ構築アルゴリズムの形式的定義を提案する。 そして,HTGの高次相互作用をフルに捉えるために,新しいHTHGN(Heterogeneous Temporal HyperGraph Neural Network)を提案する。 HTHGNには階層的なアテンション機構モジュールがあり、ヘテロジニアスノードとハイパーエッジ間の時間的メッセージパッシングを同時に実行し、ハイパーエッジによってもたらされるより広い受容領域においてリッチなセマンティクスをキャプチャする。 さらに、HTHGNは、HTG上の低次相関不均一ノード対間の一貫性を最大化して、低次構造曖昧性問題を回避することで、コントラスト学習を行う。 3つの実世界のHTGデータセットに関する詳細な実験結果は、提案したHTHGNのHTGにおける高次相互作用のモデル化の有効性を検証するとともに、大幅な性能向上を示す。

関連論文リスト

• Multi-Granular Attention based Heterogeneous Hypergraph Neural Network [5.580244361093485]
  不均一グラフニューラルネットワーク(HeteGNN)はノード表現を学習する強力な能力を示している。 本稿では,マルチグラニュラーアテンションに基づく表現学習のためのヘテロジニアスハイパーグラフニューラルネットワークであるMGA-HHNを提案する。
  論文  参考訳（メタデータ） (2025-05-07T11:42:00Z)
• 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)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Heterogeneous Temporal Graph Neural Network [30.115015877888546]
  多くの実世界のグラフは異質グラフ構造の文脈で動的に進化する。 本稿では,空間的依存と時間的依存を両立させるヘテロジニアス時間グラフニューラルネットワーク(HTGNN)を提案する。 実世界の異なるデータセットから構築したHTGに対して大規模な実験を行い、HTGNNの優れた性能を示す有望な結果を得た。
  論文  参考訳（メタデータ） (2021-10-26T17:44:18Z)
• Heterogeneous Graph Transformer [49.675064816860505]
  Webスケールの不均一グラフモデリングのための不均一グラフ変換器(HGT)アーキテクチャ 動的ヘテロジニアスグラフを扱うために、HGTに相対時間符号化手法を導入する。 Web スケールのグラフデータを扱うため,ヘテロジニアスなミニバッチグラフサンプリングアルゴリズム--HGSampling--を設計し,効率的かつスケーラブルなトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-03T04:49:21Z)

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。