論文の概要: HyperSearch: Prediction of New Hyperedges through Unconstrained yet Efficient Search

• arxiv url: http://arxiv.org/abs/2510.17153v1
• Date: Mon, 20 Oct 2025 04:55:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.308025
• Title: HyperSearch: Prediction of New Hyperedges through Unconstrained yet Efficient Search
• Title（参考訳）: HyperSearch: 制約のない効率的検索による新しいハイパーエッジの予測
• Authors: Hyunjin Choo, Fanchen Bu, Hyunjin Hwang, Young-Gyu Yoon, Kijung Shin,
• Abstract要約: ハイパーグラフが与えられた場合、ハイパーエッジ予測は、将来、欠けているか、あるいは形成される可能性が高いハイパーエッジを特定することを目的としている。 既存のアプローチは、制約付き候補集合を得るためのサンプリングと、有望なハイパーエッジを選択するためのハイパーグラフ構造に関する根拠のない仮定のいずれかに依存している。 本稿では,制約のない候補集合を効率的に評価するハイパーエッジ予測アルゴリズムHyperSearchを提案する。
• 参考スコア（独自算出の注目度）: 32.06048071728742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Higher-order interactions (HOIs) in complex systems, such as scientific collaborations, multi-protein complexes, and multi-user communications, are commonly modeled as hypergraphs, where each hyperedge (i.e., a subset of nodes) represents an HOI among the nodes. Given a hypergraph, hyperedge prediction aims to identify hyperedges that are either missing or likely to form in the future, and it has broad applications, including recommending interest-based social groups, predicting collaborations, and uncovering functional complexes in biological systems. However, the vast search space of hyperedge candidates (i.e., all possible subsets of nodes) poses a significant computational challenge, making naive exhaustive search infeasible. As a result, existing approaches rely on either heuristic sampling to obtain constrained candidate sets or ungrounded assumptions on hypergraph structure to select promising hyperedges. In this work, we propose HyperSearch, a search-based algorithm for hyperedge prediction that efficiently evaluates unconstrained candidate sets, by incorporating two key components: (1) an empirically grounded scoring function derived from observations in real-world hypergraphs and (2) an efficient search mechanism, where we derive and use an anti-monotonic upper bound of the original scoring function (which is not antimonotonic) to prune the search space. This pruning comes with theoretical guarantees, ensuring that discarded candidates are never better than the kept ones w.r.t. the original scoring function. In extensive experiments on 10 real-world hypergraphs across five domains, HyperSearch consistently outperforms state-of-the-art baselines, achieving higher accuracy in predicting new (i.e., not in the training set) hyperedges.
• Abstract（参考訳）: 科学的コラボレーション、多タンパク質複合体、マルチユーザー通信などの複雑なシステムにおける高次相互作用(HOI)は、一般にハイパーグラフとしてモデル化され、各ハイパーエッジ(ノードのサブセット)がノード内のHOIを表す。 ハイパーグラフが与えられた場合、ハイパーエッジ予測は、将来欠落するか、あるいは形成される可能性があるハイパーエッジを特定することを目的としており、興味に基づく社会集団の推薦、コラボレーションの予測、生物学的システムにおける機能複合体の発見など、幅広い応用がある。 しかし、ハイパーエッジ候補の広大な探索空間(すなわち、ノードの全ての可能性のある部分集合)は、重大な計算上の困難を生じさせ、単純な網羅的な探索が不可能となる。 結果として、既存のアプローチは、制約付き候補集合を得るためのヒューリスティックサンプリングか、有望なハイパーエッジを選択するためのハイパーグラフ構造上の未基底仮定のいずれかに依存している。 本研究では,(1)実世界のハイパーグラフにおける観測から導かれる経験的グラウンドのスコアリング関数と(2)効率的な検索機構を組み込むことにより,制約のない候補集合を効率的に評価するハイパーエッジ予測のための探索ベースアルゴリズムであるHyperSearchを提案し,その探索空間を創出するために,元のスコアリング関数(反モノトニックではない)の反モノトニックな上限を導出し,使用することができる。 このプルーニングには理論的な保証があり、廃棄された候補が元のスコアリング関数のように保持された候補よりも決して良くないことを保証する。 5つのドメインにわたる10の現実世界のハイパーグラフに関する広範な実験において、HyperSearchは一貫して最先端のベースラインを上回り、新しい(トレーニングセットではなく)ハイパーエッジを予測する上で高い精度を達成する。

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)
• Enhancing Hyperedge Prediction with Context-Aware Self-Supervised Learning [57.35554450622037]
  我々は新しいハイパーエッジ予測フレームワーク(CASH)を提案する。 CASHは、コンテキスト認識ノードアグリゲーションを用いて、(C1)ハイパーエッジの各ノード間の複雑な関係をキャプチャし、(2)ハイパーエッジ予測のコンテキストにおける自己教師付きコントラスト学習を行い、(C2)ハイパーグラフ表現を強化する。 6つの実世界のハイパーグラフの実験により、CASHはハイパーエッジ予測の精度で競合する全ての手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-09-11T20:06:00Z)
• A Markov Random Field model for Hypergraph-based Machine Learning [38.44721289347428]
  本稿では,ハイパーグラフ上でのデータ生成プロセスをモデル化する上での課題について述べる。 提案したデータ生成プロセスは、様々なハイパーグラフ機械学習タスクに価値ある帰納バイアスを与える。 本稿では,1)HGSIという独自のハイパーグラフ構造推論フレームワーク,2)ハイパーグラフ上のノード分類のためのHypergraph-MLPという新しい学習フレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-08-27T18:28:58Z)
• 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)

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。