論文の概要: Hypergraph Pattern Machine: Compositional Tokenization for Higher-Order Interactions

• arxiv url: http://arxiv.org/abs/2605.16527v1
• Date: Fri, 15 May 2026 18:24:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.608722
• Title: Hypergraph Pattern Machine: Compositional Tokenization for Higher-Order Interactions
• Title（参考訳）: ハイパーグラフパターンマシン:高次相互作用のための合成トークン化
• Authors: Kyrie Zhao, Zehong Wang, Tianyi Ma, Fang Wu, Xiangru Tang, Pietro Lio, Sheng Wang, Yanfang Ye,
• Abstract要約: 多薬局では、薬物を投薬するか、保管するか、除外するかを決定する。 既存のハイパーグラフ学習法は、単に観察されたハイパーエッジ上でメッセージを伝播するだけであり、この合成信号はモデル化されていない。 本稿では,ハイパーグラフパターンマシン(HGPM)を提案し,そのパラダイムをメッセージパッシングからサブセットの構成パターンの学習へとシフトさせる。
• 参考スコア（独自算出の注目度）: 40.23860252785053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hypergraphs model higher-order relations that drive real-world decisions, from drug prescriptions to recommendations. A central structural signal in such data, beyond what pairwise relations can express, is interaction compositionality: whether a higher-order relation is compositional, emergent, or inhibitory with respect to its observed or unobserved sets. In polypharmacy, the regime decides whether a drug should be dropped, kept, or excluded: a compositional drug triple can be safely simplified, an emergent triple requires all drugs jointly, and an inhibitory triple flags a drug that disrupts an existing interaction. However, existing hypergraph learning methods, which merely propagate messages over observed hyperedges, leave this compositional signal unmodeled, allowing dangerous drug combinations to slip through and be misclassified. To this end, we propose the Hypergraph Pattern Machine (HGPM), shifting the paradigm from message passing to learning the compositional pattern of subsets. It tokenizes compositional subsets, organizes them in an inclusion DAG, and trains an inclusion-aware Transformer under masked reconstruction. On ten hypergraph benchmarks, HGPM matches or exceeds state-of-the-art methods. Notably, in a real adverse-event prediction case, HGPM correctly identifies the drug addition that inhibits the side effect among feature-identical candidates, a discrimination existing methods cannot make. The code and data are in https://github.com/KryieZhao/HGPM.git.
• Abstract（参考訳）: ハイパーグラフは、薬物処方からレコメンデーションまで、現実世界の意思決定を駆動する高次関係をモデル化する。 このようなデータにおける中心構造信号は、対関係が表現できるものを超えて、相互作用構成性である:高次関係が、その観測された集合または観測されていない集合に関して構成的、創発的、または阻害的であるかである。 複合薬局では、ある薬物を投薬するか、保存するか、または除外するかを決め、構成薬三重を安全に単純化し、創発剤三重を共同で全ての薬物を要求し、抑制剤三重は既存の相互作用を妨害する薬物をフラグする。 しかし、既存のハイパーグラフ学習法は、単に観察されたハイパーエッジにメッセージを伝達するだけであり、この合成シグナルを無形に残し、危険な薬物の組み合わせをスリップして誤分類することを可能にする。 この目的のために,HGPM (Hypergraph Pattern Machine) を提案する。 コンポジションサブセットをトークン化し、包括的DAGで編成し、マスクによる再構成の下で包括的対応のトランスフォーマーを訓練する。 10のハイパーグラフベンチマークでは、HGPMは最先端の手法にマッチするか、超える。 特に、実際の有害事象予測の場合、HGPMは特徴識別候補の副作用を阻害する薬物添加を正しく識別するが、既存の判別方法では達成できない。 コードとデータはhttps://github.com/KryieZhao/HGPM.gitにある。

関連論文リスト

• Knowledge Is Not Static: Order-Aware Hypergraph RAG for Language Models [22.663638862390467]
  本稿では,秩序を一級構造特性として扱う秩序認識知識ハイパーグラフRAGを提案する。 OKH-RAGは、先行構造を付加したハイパーグラフ内の高次相互作用として知識を表す。 我々は, 熱帯サイクロンや港湾運用シナリオなど, 秩序感性質問応答および説明課題におけるOKH-RAGの評価を行った。
  論文  参考訳（メタデータ） (2026-04-14T01:31:35Z)
• BHyGNN+: Unsupervised Representation Learning for Heterophilic Hypergraphs [50.161252392272324]
  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。
  論文  参考訳（メタデータ） (2026-02-16T16:55:37Z)
• CBGBench: Fill in the Blank of Protein-Molecule Complex Binding Graph [66.11279161533619]
  CBGBenchは構造ベースドラッグデザイン(SBDD)のベンチマークである 既存のメソッドを属性に基づいて分類することで、CBGBenchは様々な最先端メソッドを実装している。 我々は,これらのモデルを薬物設計に不可欠なタスクに適応させてきた。
  論文  参考訳（メタデータ） (2024-06-16T08:20:24Z)
• ALNSynergy: a graph convolutional network with multi-representation alignment for drug synergy prediction [8.316187397380244]
  薬物の組み合わせは、特定の疾患を同時に治療するための2つ以上の薬物の使用を指す。 本研究では,薬物相乗効果を予測するための多表現アライメントを備えたグラフ畳み込みネットワークであるALNSynergyを提案する。
  論文  参考訳（メタデータ） (2023-11-27T15:34:14Z)
• Joint Entity and Relation Extraction with Span Pruning and Hypergraph Neural Networks [58.43972540643903]
  PLマーカ(最先端マーカーベースピプレリンモデル)上に構築されたEREのためのHyperGraphニューラルネットワーク(hgnn$)を提案する。 エラーの伝播を軽減するため,NERモジュールからのエンティティ識別とラベル付けの負担をモデルのジョイントモジュールに転送するために,ハイリコールプルーナー機構を用いる。 EREタスクに広く使用されている3つのベンチマークの実験は、以前の最先端のPLマーカーよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-10-26T08:36:39Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• Central-Smoothing Hypergraph Neural Networks for Predicting Drug-Drug Interactions [15.038537438390556]
  我々はDDIを3つのハイパーエッジを持つハイパーグラフとして定式化し、薬物のノードが2つ、ラベルのノードが1つである。 次に、ノードとラベルの表現を完全に学習するハイパーグラフニューラルネットワークであるCentSmoothieを紹介します。
  論文  参考訳（メタデータ） (2021-12-15T02:17:03Z)
• Drug-Drug Interaction Prediction with Wasserstein Adversarial Autoencoder-based Knowledge Graph Embeddings [22.562175708415392]
  薬物・薬物相互作用のための知識グラフ埋め込みフレームワークを提案する。 本フレームワークでは, 高品質な負のサンプルを生成するために, オートエンコーダを用いる。 判別器は、正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
  論文  参考訳（メタデータ） (2020-04-15T21:03:29Z)

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。