論文の概要: HWL-HIN: A Hypergraph-Level Hypergraph Isomorphism Network as Powerful as the Hypergraph Weisfeiler-Lehman Test with Application to Higher-Order Network Robustness

• arxiv url: http://arxiv.org/abs/2512.22014v1
• Date: Fri, 26 Dec 2025 12:25:15 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 12:03:51.874034
• Title: HWL-HIN: A Hypergraph-Level Hypergraph Isomorphism Network as Powerful as the Hypergraph Weisfeiler-Lehman Test with Application to Higher-Order Network Robustness
• Title（参考訳）: HWL-HIN:ハイパーグラフレベルハイパーグラフ同型ネットワークと高次ネットワークロバストネスへの応用
• Authors: Chengyu Tian, Wenbin Pei,
• Abstract要約: 本稿ではハイパーグラフレベルのハイパーグラフ同型ネットワークフレームワークを提案する。 理論的には、このアプローチはHypergraph Weisfeiler-Lehmanテストと厳密に等価な表現力を持つことが証明されている。 実験により,提案手法は既存のグラフベースモデルを上回るだけでなく,トポロジ的構造表現を優先するタスクにおいて,従来のHGNNをはるかに上回っていることが示された。
• 参考スコア（独自算出の注目度）: 2.4851388650413866
• License:
• Abstract: Robustness in complex systems is of significant engineering and economic importance. However, conventional attack-based a posteriori robustness assessments incur prohibitive computational overhead. Recently, deep learning methods, such as Convolutional Neural Networks (CNNs) and Graph Neural Networks (GNNs), have been widely employed as surrogates for rapid robustness prediction. Nevertheless, these methods neglect the complex higher-order correlations prevalent in real-world systems, which are naturally modeled as hypergraphs. Although Hypergraph Neural Networks (HGNNs) have been widely adopted for hypergraph learning, their topological expressive power has not yet reached the theoretical upper bound. To address this limitation, inspired by Graph Isomorphism Networks, this paper proposes a hypergraph-level Hypergraph Isomorphism Network framework. Theoretically, this approach is proven to possess an expressive power strictly equivalent to the Hypergraph Weisfeiler-Lehman test and is applied to predict hypergraph robustness. Experimental results demonstrate that while maintaining superior efficiency in training and prediction, the proposed method not only outperforms existing graph-based models but also significantly surpasses conventional HGNNs in tasks that prioritize topological structure representation.
• Abstract（参考訳）: 複雑なシステムにおけるロバスト性は、重要なエンジニアリングと経済的重要性である。 しかし、従来の攻撃に基づく後部頑健性評価では計算オーバーヘッドが禁じられている。 近年,畳み込みニューラルネットワーク (CNN) やグラフニューラルネットワーク (GNN) といった深層学習手法が,高速ロバストネス予測のためのサロゲートとして広く用いられている。 しかしながら、これらの手法は、自然にハイパーグラフとしてモデル化される実世界のシステムでよく見られる複雑な高次相関を無視している。 ハイパーグラフニューラルネットワーク(HGNN)はハイパーグラフ学習に広く採用されているが、そのトポロジ的表現力はまだ理論上界に達していない。 グラフ同型ネットワークに触発されたこの制限に対処するために,ハイパーグラフレベルのハイパーグラフ同型ネットワークフレームワークを提案する。 理論的には、このアプローチはハイパーグラフワイスフェイラー・リーマンテストと厳密に等価な表現力を持つことが証明され、ハイパーグラフのロバスト性を予測するために応用される。 実験の結果,提案手法は学習と予測において優れた効率性を維持しつつ,既存のグラフベースモデルを上回るだけでなく,トポロジ的構造表現を優先するタスクにおいて,従来のHGNNをはるかに上回っていることがわかった。

関連論文リスト

• Implicit Hypergraph Neural Networks: A Stable Framework for Higher-Order Relational Learning with Provable Guarantees [8.5183483099116]
  Indicit Hypergraph Neural Networks (IHGNN)を導入し、非線形不動点方程式の解として表現を計算する。 IHGNNは、正確性と堅牢性の両方において、強力な従来のグラフ/ハイパーグラフニューラルネットワークベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-08-13T02:06:29Z)
• 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 Neural Networks [15.096429849049953]
  ハイパーグラフ学習の最近のアプローチは、メッセージパッシングに基づくグラフニューラルネットワークを拡張している。 EHNN(Equivariant Hypergraph Neural Network)は,一般ハイパーグラフ学習のための最大表現型同変層を実現するための最初の試みである。 我々は、合成kエッジ識別、半教師付き分類、視覚的キーポイントマッチングなど、様々なハイパーグラフ学習問題において、それらの能力を実証し、強いメッセージパッシングベースラインよりも優れた性能を報告した。
  論文  参考訳（メタデータ） (2022-08-22T16:28:38Z)
• Preventing Over-Smoothing for Hypergraph Neural Networks [0.0]
  階層数の増加に伴い,ハイパーグラフニューラルネットワークの性能は向上しないことを示す。 我々はディープ・HGCNと呼ばれる新しいディープ・ハイパーグラフ・畳み込みネットワークを開発し、ディープ・レイヤにおけるノード表現を維持できる。
  論文  参考訳（メタデータ） (2022-03-31T16:33:31Z)
• 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)

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。