論文の概要: BHyGNN+: Unsupervised Representation Learning for Heterophilic Hypergraphs

• arxiv url: http://arxiv.org/abs/2602.14919v1
• Date: Mon, 16 Feb 2026 16:55:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.551305
• Title: BHyGNN+: Unsupervised Representation Learning for Heterophilic Hypergraphs
• Title（参考訳）: BHyGNN+:異種ハイパーグラフの教師なし表現学習
• Authors: Tianyi Ma, Yiyue Qian, Zehong Wang, Zheyuan Zhang, Chuxu Zhang, Yanfang Ye,
• Abstract要約: 異種ハイパーグラフ上での表現学習のための自己教師型学習フレームワークであるBHyGNN+を紹介する。 ハイパーグラフの強化ビューとコサイン類似性(cosine similarity)を対比することにより、我々のフレームワークは、完全に教師なしの方法で本質的な構造パターンをキャプチャする。 本研究では,ハイパーグラフの双対性を利用した自己教師型学習の有効性を検証した。
• 参考スコア（独自算出の注目度）: 50.161252392272324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hypergraph Neural Networks (HyGNNs) have demonstrated remarkable success in modeling higher-order relationships among entities. However, their performance often degrades on heterophilic hypergraphs, where nodes connected by the same hyperedge tend to have dissimilar semantic representations or belong to different classes. While several HyGNNs, including our prior work BHyGNN, have been proposed to address heterophily, their reliance on labeled data significantly limits their applicability in real-world scenarios where annotations are scarce or costly. To overcome this limitation, we introduce BHyGNN+, a self-supervised learning framework that extends BHyGNN for representation learning on heterophilic hypergraphs without requiring ground-truth labels. The core idea of BHyGNN+ is hypergraph duality, a structural transformation where the roles of nodes and hyperedges are interchanged. By contrasting augmented views of a hypergraph against its dual using cosine similarity, our framework captures essential structural patterns in a fully unsupervised manner. Notably, this duality-based formulation eliminates the need for negative samples, a common requirement in existing hypergraph contrastive learning methods that is often difficult to satisfy in practice. Extensive experiments on eleven benchmark datasets demonstrate that BHyGNN+ consistently outperforms state-of-the-art supervised and self-supervised baselines on both heterophilic and homophilic hypergraphs. Our results validate the effectiveness of leveraging hypergraph duality for self-supervised learning and establish a new paradigm for representation learning on challenging, unlabeled hypergraphs.
• Abstract（参考訳）: ハイパーグラフニューラルネットワーク(HyGNN)は、エンティティ間の高次関係のモデリングにおいて顕著な成功を収めている。 しかし、それらの性能は、同じハイパーエッジで接続されたノードが異なる意味表現を持つか、異なるクラスに属する傾向がある異種ハイパーグラフで劣化することが多い。 前作のBHyGNNを含むいくつかのHyGNNはヘテロフィリエに対処するために提案されているが、ラベル付きデータへの依存は、アノテーションが少ない、あるいはコストがかかる現実のシナリオにおける適用性を著しく制限している。 この制限を克服するために、BHyGNN+は、BHyGNNを拡張した自己教師型学習フレームワークである。 BHyGNN+の基本的な考え方はハイパーグラフ双対性であり、ノードとハイパーエッジの役割が交換される構造変換である。 ハイパーグラフの強化ビューとコサイン類似性(cosine similarity)を対比することにより、我々のフレームワークは、完全に教師なしの方法で本質的な構造パターンをキャプチャする。 特に、この双対性に基づく定式化は、既存のハイパーグラフコントラスト学習法において、実際に満たすのがしばしば困難である負のサンプルの必要性を排除している。 11のベンチマークデータセットに対する大規模な実験により、BHyGNN+は、ヘテロ親和性ハイパーグラフとホモ親和性ハイパーグラフの両方において、最先端の教師付きベースラインと自己教師付きベースラインを一貫して上回っていることが示された。 本研究は,ハイパーグラフの双対性を自己教師型学習に活用することの有効性を検証し,挑戦的かつラベルなしなハイパーグラフ上での表現学習のための新しいパラダイムを確立することを目的とする。

関連論文リスト

• Hypergraph Contrastive Learning for both Homophilic and Heterophilic Hypergraphs [36.44792866509702]
  ハイパーグラフニューラルネットワーク(HNN)は複雑な高次関係を捉えるために広く利用されている。 我々は,新しい教師なしのtextbfHypergraph ctextbfONtrastive Learning framework である textbfHONOR を提案する。
  論文  参考訳（メタデータ） (2025-11-24T05:35:46Z)
• 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)
• Self-Supervised Pretraining for Heterogeneous Hypergraph Neural Networks [9.987252149421982]
  異種HyperGNNのための自己教師型事前学習フレームワークを提案する。 本手法は,データ内のエンティティ間の高次関係を,自己教師型で効果的に捉えることができる。 実験の結果,提案するフレームワークは,様々なダウンストリームタスクにおいて,最先端のベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-11-19T16:34:56Z)
• 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)
• 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)
• Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
  HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。 我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
  論文  参考訳（メタデータ） (2021-06-12T02:07:07Z)
• Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
  HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。 我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
  論文  参考訳（メタデータ） (2021-06-10T12:37:55Z)

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。