論文の概要: Beyond Convolution: Advancing Hypergraph Neural Networks with Hypergraph U-Nets

• arxiv url: http://arxiv.org/abs/2606.09051v1
• Date: Mon, 08 Jun 2026 05:40:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.71684
• Title: Beyond Convolution: Advancing Hypergraph Neural Networks with Hypergraph U-Nets
• Title（参考訳）: Beyond Convolution: Hypergraph U-Netによるハイパーグラフニューラルネットワークの強化
• Authors: Fuli Wang, Wei Qian, Daniel L. Lau, Gonzalo R. Arce,
• Abstract要約: この研究はハイパーグラフデータのためのU-Netアーキテクチャの研究の先駆者であり、効果的なプーリングとアンプール操作を設計する上で重要な課題に対処している。 階層的なクラスタリングを動機として,異なる粒度でクラスタリングデンドログラムを切断することにより,プールとアンプール演算子を同時に構築することを提案する。 シーケンシャルな学習手順による局所的な構造損傷を危険にさらす既存のプール法とは異なり、PHPool演算子は、元のハイパーグラフ構造に対する忠実性を確保するために、グローバルかつ並列に設計されている。
• 参考スコア（独自算出の注目度）: 11.63193730379261
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutions have successfully transitioned from image processing to the complex realm of non-Euclidean higher-order domains, particularly in hypergraphs. Despite the success in convolution, the exploration of a popular architecture named U-Net remains largely unexplored for hypergraph data due to the lack of well-defined pooling and unpooling operations. This work pioneers the study of U-Net architectures for hypergraph data, addressing the critical challenge of designing effective pooling and unpooling operations that retain maximal structural information from the input hypergraph. Motivated by hierarchical clustering, we propose to construct the pooling and unpooling operators all at once by cutting the clustering dendrogram at different granularities, named the Parallel Hierarchical Pooling (PHPool) and Unpooling (PHUnpool) operators. Unlike existing pooling methods that risk local structural damage through a sequential learning procedure, our PHPool operators are designed in a global and parallel manner to ensure fidelity to the original hypergraph structure with efficient computation while the PHUnpool operators are tailored to perform inverse operations of the PHPools for hypergraph reconstruction. We validate our model through hypergraph reconstruction simulation, hypergraph classification, and node-level anomaly detection, where it demonstrates superior performance over existing state-of-the-art graph and hypergraph deep learning methods.
• Abstract（参考訳）: 畳み込みは、特にハイパーグラフにおいて、画像処理から非ユークリッド高階領域の複素領域への移行に成功している。 畳み込みの成功にもかかわらず、U-Netという名前の一般的なアーキテクチャの探索は、明確に定義されたプーリングとアンプール操作が欠如しているため、ハイパーグラフデータのためにほとんど探索されていない。 この研究はハイパーグラフデータのためのU-Netアーキテクチャの研究の先駆者であり、入力ハイパーグラフから最大構造情報を保持する効果的なプーリングとアンプール操作を設計する上で重要な課題に対処する。 階層的クラスタリングを動機として,並列階層型プール (PHPool) とアンプール (PHUnpool) 演算子 (PHUnpool) という,異なる粒度でクラスタリングデンドログラムを切断することにより,プールおよびアンプール演算子を一度に構築することを提案する。 シーケンシャルな学習手順による局所的な構造損傷を危険にさらす既存のプーリング法とは異なり、我々のPHPool演算子は、高速な計算で元のハイパーグラフ構造への忠実さを確保するために、グローバルかつ並列に設計されており、PHUnpool演算子は、ハイパーグラフ再構成のためにPHPoolの逆演算を行うように調整されている。 我々は,ハイパーグラフ再構成シミュレーション,ハイパーグラフ分類,ノードレベルの異常検出によるモデルの有効性を検証し,既存の最先端グラフやハイパーグラフ深層学習法よりも優れた性能を示す。

関連論文リスト

• Neural Algorithmic Reasoning for Hypergraphs with Looped Transformers [22.641550077885686]
  ループ変換器は、従来のグラフアルゴリズムでは例外的なアルゴリズム推論能力を示している。 ハイパーグラフアルゴリズムをシミュレートするために,Loop Transformerアーキテクチャのニューラルネットワーク推論機能を拡張する。
  論文  参考訳（メタデータ） (2025-01-18T07:58:45Z)
• 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)
• Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
  グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。 グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
  論文  参考訳（メタデータ） (2022-09-02T09:17:10Z)
• 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)
• HyperSF: Spectral Hypergraph Coarsening via Flow-based Local Clustering [9.438207505148947]
  本稿では,ハイパーグラフのスペクトル(構造)特性を保存するために,効率的なスペクトルハイパーグラフ粗大化手法を提案する。 提案手法は,ハイパーグラフクラスタリングのマルチウェイコンダクタンスを大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-08-17T22:20:23Z)
• Residual Enhanced Multi-Hypergraph Neural Network [26.42547421121713]
  HyperGraph Neural Network (HGNN) はハイパーグラフ表現学習のためのデファクト手法である。 本稿では,各ハイパーグラフからのマルチモーダル情報を効果的に融合できるResidual enhanced Multi-Hypergraph Neural Networkを提案する。
  論文  参考訳（メタデータ） (2021-05-02T14:53:32Z)

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。