論文の概要: Hypergraph Neural Network with State Space Models for Node Classification
- arxiv url: http://arxiv.org/abs/2508.06587v1
- Date: Fri, 08 Aug 2025 04:54:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:28.457623
- Title: Hypergraph Neural Network with State Space Models for Node Classification
- Title（参考訳）: ノード分類のための状態空間モデルを用いたハイパーグラフニューラルネットワーク
- Authors: A. Quadir, M. Tanveer,
- Abstract要約: 状態空間モデル(HGMN)を用いた新しいハイパーグラフニューラルネットワークを提案する。
HGMNはロール認識表現をGNNと状態空間モデルに効果的に統合する。
このモデルは、最先端のGNN手法と比較してノード分類タスクにおいて顕著な性能向上を実現している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, graph neural networks (GNNs) have gained significant attention for node classification tasks on graph-structured data. However, traditional GNNs primarily focus on adjacency relationships between nodes, often overlooking the rich role-based characteristics that are crucial for learning more expressive node representations. Existing methods for capturing role-based features are largely unsupervised and fail to achieve optimal performance in downstream tasks. To address these limitations, we propose a novel hypergraph neural network with state space model (HGMN) that effectively integrates role-aware representations into GNNs and the state space model. HGMN utilizes hypergraph construction techniques to model higher-order relationships and combines role-based and adjacency-based representations through a learnable mamba transformer mechanism. By leveraging two distinct hypergraph construction methods-based on node degree and neighborhood levels, it strengthens the connections among nodes with similar roles, enhancing the model's representational power. Additionally, the inclusion of hypergraph convolution layers enables the model to capture complex dependencies within hypergraph structures. To mitigate the over-smoothing problem inherent in deep GNNs, we incorporate a residual network, ensuring improved stability and better feature propagation across layers. Extensive experiments conducted on one newly introduced dataset and four benchmark datasets demonstrate the superiority of HGMN. The model achieves significant performance improvements on node classification tasks compared to state-of-the-art GNN methods. These results highlight HGMN's ability to provide enriched node representations by effectively embedding role-based features alongside adjacency information, making it a versatile and powerful tool for a variety of graph-based learning applications.
- Abstract（参考訳）: 近年,グラフ構造化データのノード分類タスクにおいて,グラフニューラルネットワーク(GNN)が注目されている。
しかし、従来のGNNは主にノード間の隣接関係に重点を置いており、しばしばより表現力のあるノード表現を学ぶのに欠かせない、リッチなロールベースの特徴を見落としている。
ロールベースの機能をキャプチャする既存の方法は、ほとんど教師なしであり、下流タスクで最適なパフォーマンスを達成できない。
これらの制約に対処するために、ロール認識表現をGNNと状態空間モデルに効果的に統合する、状態空間モデル(HGMN)を備えた新しいハイパーグラフニューラルネットワークを提案する。
HGMNはハイパーグラフ構築技術を用いて高階関係をモデル化し、学習可能なマンバ変換機構を通じて役割ベースと隣接ベースの表現を組み合わせる。
ノード次数と近傍レベルに基づく2つの異なるハイパーグラフ構築手法を活用することにより、同様の役割を持つノード間の接続を強化し、モデルの表現力を高める。
さらに、ハイパーグラフの畳み込みレイヤを含めることで、ハイパーグラフ構造内の複雑な依存関係をキャプチャすることができる。
ディープGNNに固有の過度に平滑な問題を緩和するため、残余ネットワークを組み込み、安定性の向上と層間機能伝搬の改善を実現した。
新たに導入された1つのデータセットと4つのベンチマークデータセットで実施された大規模な実験は、HGMNの優位性を示している。
このモデルは、最先端のGNN手法と比較してノード分類タスクにおいて顕著な性能向上を実現している。
これらの結果から、HGMNは、ロールベースの機能を隣接した情報を効果的に埋め込むことで、リッチなノード表現を提供する能力を強調し、様々なグラフベースの学習アプリケーションのための汎用的で強力なツールである。
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) - ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion [37.22772892623285]
スケーラブルで効果的なグラフ学習のためのマルチホップノード機能を適応的に融合する新しいフレームワークであるScaleGNNを提案する。
予測精度と計算効率の両面で,ScaleGNNは最先端のGNNよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-04-22T14:05:11Z) - Overlap-aware meta-learning attention to enhance hypergraph neural networks for node classification [7.822666400307049]
ハイパーグラフニューラルネットワーク(OMA-HGNN)のための新しいフレームワークを提案する。
まず、構造的類似性と特徴的類似性の両方を統合するハイパーグラフアテンション機構を導入し、特に、それぞれの損失をHGNNモデルの重み付け要素と線形に結合する。
第2に,ノードを様々な重複レベルに基づいて異なるタスクに分割し,対応する重み付け因子を決定するマルチタスク・メタウェイト・ネット(MWN)を開発する。
第3に、内部MWNモデルを外部HGNNモデルからの損失で共同訓練し、重み付き因子で外部モデルを訓練する。
論文 参考訳（メタデータ） (2025-03-11T01:38:39Z) - Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。
GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
論文 参考訳（メタデータ） (2024-11-19T08:32:14Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [72.33336385797944]
本稿では,学習バイアスを軽減するため,ラベルの効率的な正規化手法であるラベルデコンボリューション(LD)を提案する。
LDはOpen Graph Benchmarkデータセット上で最先端の手法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2023-09-26T13:09:43Z) - Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module [65.81781176362848]
グラフニューラルネットワーク(GNN)は、近隣情報収集を通じてグラフ構造化データから学習することができる。
レイヤーの数が増えるにつれて、ノード表現は区別不能になり、オーバー・スムーシング(over-smoothing)と呼ばれる。
我々は,textbfPosterior-Sampling-based, Node-distinguish Residual Module (PSNR)を提案する。
論文 参考訳（メタデータ） (2023-05-09T12:03:42Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z)
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。