論文の概要: HYVINT: Intensity-Driven Hypergraph Generation with Variational Representations

• arxiv url: http://arxiv.org/abs/2605.16836v1
• Date: Sat, 16 May 2026 06:38:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.193845
• Title: HYVINT: Intensity-Driven Hypergraph Generation with Variational Representations
• Title（参考訳）: HYVINT: 変分表現を用いたインテンシティ駆動ハイパーグラフ生成
• Authors: Xinyi Hong, Shuntuo Xu, Zhou Yu,
• Abstract要約: ハイパーグラフは多進的相互作用をモデル化するための原則的なフレームワークを提供する。 既存のジェネレータは暗黙の潜伏空間や連続インシデントデコーダに依存していることが多い。 強度駆動型ハイパーグラフ生成フレームワークHYVINTを提案する。
• 参考スコア（独自算出の注目度）: 14.364205966885805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hypergraphs provide a principled framework for modeling polyadic interactions, with applications in recommendation systems, social networks, and molecular modeling. Hypergraph generation remains challenging because incidence structures are discrete, sparse, and governed by heterogeneous higher-order interactions. Existing generators often rely on implicit latent spaces or continuous incidence decoders, which provide limited mechanistic interpretation of how node-hyperedge incidences arise. To address these limitations, we propose HYVINT, an intensity-driven hypergraph generative framework. Our key innovations are twofold: (i) we develop an intensity-driven incidence formation mechanism for hypergraphs that links latent interaction strength to binary incidence, and (ii) we derive a tractable lower-bound variational estimator for learning latent representations. We provide generation error bounds with asymptotic convergence rates and empirically show that HYVINT achieves strong fidelity while maintaining substantial novelty and diversity on synthetic and real-world hypergraphs.
• Abstract（参考訳）: ハイパーグラフは、レコメンデーションシステム、ソーシャルネットワーク、分子モデリングに応用された、多進的相互作用をモデル化するための原則化されたフレームワークを提供する。 インシデント構造は離散的でスパースであり、不均一な高次相互作用によって制御されるため、ハイパーグラフの生成は依然として困難である。 既存のジェネレータは暗黙の潜伏空間や連続インシデントデコーダに頼り、ノード-ハイパーエッジインシデントの発生のメカニズムを限定的に解釈する。 これらの制約に対処するため, 強度駆動型ハイパーグラフ生成フレームワークHYVINTを提案する。 私たちの重要なイノベーションは2つあります。 一 潜時相互作用強度と二分事故を関連付けるハイパーグラフの強度駆動型インシデント生成機構を開発する。 (II)潜在表現を学習するためのトラクタブルな下界変動推定器を導出する。 本研究では、漸近収束率を持つ生成誤差境界を提供し、HYVINTが合成および実世界のハイパーグラフにおける実質的な新規性と多様性を維持しつつ、強い忠実性を達成することを実証的に示す。

関連論文リスト

• Hypergraph Neural Diffusion: A PDE-Inspired Framework for Hypergraph Message Passing [6.809465248544176]
  ハイパーグラフ・ニューラル拡散(Hypergraph Neural Diffusion)は、ハイパーグラフ上のニューラルメッセージが通過する非線形拡散方程式を統一する新しいフレームワークである。 我々は、エネルギー散逸、離散的な最大原理による解の有界性、明示的で暗黙的な数値スキームによる安定性を含む厳密な理論的保証を導出する。 本研究は, ハイパーグラフ学習の安定性, 表現性, 解釈可能性を高める上で, PDEにインスパイアされた設計の力を強調した。
  論文  参考訳（メタデータ） (2026-04-13T03:52:01Z)
• Heterophily-Agnostic Hypergraph Neural Networks with Riemannian Local Exchanger [16.833612337456373]
  ハイパーグラフニューラルネットワーク(HealHGNN)のための適応的局所性を持つ新しい熱交換器を提案する。 HealHGNNはノード数とハイパーエッジ数の線形複雑性を持つノード-ハイパーエッジ双方向システムとして設計されている。 HealHGNNは, 好中球およびヘテロ親和性の両方の実験により, 最先端の性能を達成できることが示されている。
  論文  参考訳（メタデータ） (2026-02-28T11:36:35Z)
• 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)
• 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)
• Community and hyperedge inference in multiple hypergraphs [9.782518418521175]
  複数のハイパーグラフ間の相互接続を利用して、複数の高階システムから統合された情報を合成する方法を示す。 ブロックモデルに基づくモデルを提案し、複数のハイパーグラフからの情報を統合し、潜在高次構造を明らかにする。 我々の研究は、複数のハイパーグラフを解析するための実用的で柔軟なツールを提供し、現実世界の高階システムにおける組織の理解を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-05-08T05:52:41Z)
• HYGENE: A Diffusion-based Hypergraph Generation Method [6.997955138726617]
  本稿では, 局所展開の進展による課題に対処する拡散型ハイパーグラフ生成(HYGENE)手法を提案する。 実験では、ハイジェネの有効性を示し、ハイパーグラフの様々な特性を忠実に模倣する能力を示した。
  論文  参考訳（メタデータ） (2024-08-29T11:45:01Z)
• 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)
• Augmentations in Hypergraph Contrastive Learning: Fabricated and Generative [126.0985540285981]
  我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。 我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。 拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-10-07T20:12:20Z)

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。