論文の概要: Parameter-Free Hypergraph Neural Network for Few-Shot Node Classification

• arxiv url: http://arxiv.org/abs/2510.21462v1
• Date: Fri, 24 Oct 2025 13:44:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 06:57:23.429363
• Title: Parameter-Free Hypergraph Neural Network for Few-Shot Node Classification
• Title（参考訳）: Few-Shotノード分類のためのパラメータフリーハイパーグラフニューラルネットワーク
• Authors: Chaewoon Bae, Doyun Choi, Jaehyun Lee, Jaemin Yoo,
• Abstract要約: ハイパーグラフ上のほとんどショットノード分類は、高次構造をキャプチャしながら、希少ラベルから一般化するモデルを必要とする。 本稿では,ZEN(Zero-Hypergraph Neural Network)を提案する。 ZENは最大696倍のスピードアップを達成しながら、分類精度で8つのベースラインモデルを上回っている。
• 参考スコア（独自算出の注目度）: 8.804007304954004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot node classification on hypergraphs requires models that generalize from scarce labels while capturing high-order structures. Existing hypergraph neural networks (HNNs) effectively encode such structures but often suffer from overfitting and scalability issues due to complex, black-box architectures. In this work, we propose ZEN (Zero-Parameter Hypergraph Neural Network), a fully linear and parameter-free model that achieves both expressiveness and efficiency. Built upon a unified formulation of linearized HNNs, ZEN introduces a tractable closed-form solution for the weight matrix and a redundancy-aware propagation scheme to avoid iterative training and to eliminate redundant self information. On 11 real-world hypergraph benchmarks, ZEN consistently outperforms eight baseline models in classification accuracy while achieving up to 696x speedups over the fastest competitor. Moreover, the decision process of ZEN is fully interpretable, providing insights into the characteristic of a dataset. Our code and datasets are fully available at https://github.com/chaewoonbae/ZEN.
• Abstract（参考訳）: ハイパーグラフ上のほとんどショットノード分類は、高次構造をキャプチャしながら、希少ラベルから一般化するモデルを必要とする。 既存のハイパーグラフニューラルネットワーク(HNN)は、そのような構造を効果的にエンコードするが、複雑なブラックボックスアーキテクチャのためにオーバーフィットやスケーラビリティの問題に悩まされることが多い。 本研究では,ZEN(Zero-Parameter Hypergraph Neural Network)を提案する。 線形化されたHNNの統一的な定式化に基づいて、ZENは、重み行列のための引き込み可能な閉形式解と、反復的トレーニングを回避し、冗長な自己情報を排除する冗長性対応の伝搬スキームを導入する。 11の現実世界のハイパーグラフベンチマークでは、ZENは最も高速な競争相手よりも最大696倍のスピードアップを達成しながら、分類精度で8つのベースラインモデルを上回っている。 さらに、ZENの決定プロセスは完全に解釈可能であり、データセットの特徴に関する洞察を提供する。 私たちのコードとデータセットはhttps://github.com/chaewoonbae/ZEN.orgで公開されています。

関連論文リスト

• DeltaGNN: Graph Neural Network with Information Flow Control [5.563171090433323]
  グラフニューラルネットワーク(GNN)は、メッセージパッシングプロセスの近傍集約を通じてグラフ構造化データを処理するように設計されている。 メッセージパッシングにより、GNNは短距離空間的相互作用を理解できるだけでなく、過度なスムーシングや過度なスカッシングに悩まされる。 本稿では,線形計算オーバーヘッドを伴うオーバー・スムーシングとオーバー・スキャッシングに対処するための,emph情報フロー制御機構を提案する。 さまざまなサイズ、トポロジ、密度、ホモフィリック比のグラフを含む10の実世界のデータセットを対象に、我々のモデルをベンチマークし、優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-01-10T14:34:20Z)
• Training-Free Message Passing for Learning on Hypergraphs [35.35391968349657]
  ハイパーグラフニューラルネットワーク(HNN)は、メッセージパッシングによってハイパーグラフ構造を効果的に利用し、ノードの特徴を生成する。 モデル学習段階からハイパーグラフ構造情報の利用を分離する手法を提案する。 これにより、TF-MP-Moduleと呼ばれる新しいトレーニング不要のメッセージパッシングモジュールが作成され、データ前処理の段階でプリ計算される。
  論文  参考訳（メタデータ） (2024-02-08T11:10:39Z)
• 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)
• Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
  ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。 本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。 実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
  論文  参考訳（メタデータ） (2022-07-14T06:17:00Z)

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。