論文の概要: Towards Trustworthy Hypergraph Neural Networks under Label Noise

• arxiv url: http://arxiv.org/abs/2608.04377v1
• Date: Wed, 05 Aug 2026 02:36:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.692232
• Title: Towards Trustworthy Hypergraph Neural Networks under Label Noise
• Title（参考訳）: ラベルノイズ下での高信頼ハイパーグラフニューラルネットワークの実現に向けて
• Authors: Mengyao Zhou, Zhiheng Zhou, Xiao Han, Guiying Yan,
• Abstract要約: ハイパーグラフニューラルネットワーク(HGNN)は、複雑な高次関係を処理する際、顕著な能力を示した。 その性能はラベル付きデータに大きく依存しており、ラベル付きノイズに対して脆弱である。 ラベルノイズによる学習(LLN)やラベルノイズによるグラフ学習(GLN)の進歩にもかかわらず、ハイパーグラフでのノイズラベル学習は未定である。
• 参考スコア（独自算出の注目度）: 7.708687597271703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hypergraph neural networks (HGNNs) have demonstrated remarkable capabilities in processing complex higher-order relationships. However, their performance is highly dependent on labeled data, making them vulnerable to label noise. Despite advances in learning with label noise (LLN) and graph learning with label noise (GLN), noisy-label learning on hypergraphs remains underexplored. In this paper, we present a systematic study of hypergraph node classification under label noise. First, we adapt representative LLN and GLN methods to hypergraphs and evaluate them under a unified benchmark, revealing the limitations of existing robust learning strategies for hypergraphs. Building on this, we propose a new hypergraph robust framework, HyperTrust, which first estimates hyperedge trustworthiness through a pretraining-based, entropy-aware strategy, and then incorporates the HyperedgeBoost module to enhance reliable supervision by connecting unlabeled nodes to trustworthy hyperedges, as well as the HyperedgePrune module to suppress noisy propagation by removing untrustworthy node-hyperedge incidences. Finally, two modules work collaboratively to adjust the hypergraph structure and generate final predictions. Extensive experiments and theoretical analysis demonstrate the effectiveness and robustness of HyperTrust on multiple hypergraph datasets under various noisy settings. Our work provides a unified benchmark and an effective solution for hypergraph learning with label noise and lays a foundation for future research in this direction.
• Abstract（参考訳）: ハイパーグラフニューラルネットワーク(HGNN)は、複雑な高次関係を処理する際、顕著な能力を示した。 しかし、その性能はラベル付きデータに大きく依存しており、ラベル付きノイズに弱い。 ラベルノイズによる学習(LLN)やラベルノイズによるグラフ学習(GLN)の進歩にもかかわらず、ハイパーグラフでのノイズラベル学習は未定である。 本稿では,ラベルノイズ下でのハイパーグラフノード分類の系統的研究を行う。 まず、代表的LLN法とGLN法をハイパーグラフに適用し、それらを統一されたベンチマークで評価し、ハイパーグラフに対する既存の堅牢な学習戦略の限界を明らかにする。 提案するハイパーグラフ・ロバスト・フレームワークであるHyperTrustは,まず,事前学習に基づくエントロピー対応戦略を通じて,ハイパーエッジの信頼性を推定し,未ラベルノードを信頼性の高いハイパーエッジに接続することで信頼性の高い監視を行うHyperedgeBoostモジュールと,信頼できないノード・ハイパーエッジインシデントを取り除くことでノイズ伝搬を抑制するHyperedgePruneモジュールを組み込んだ。 最後に、2つのモジュールが協調してハイパーグラフ構造を調整し、最終的な予測を生成する。 複数のハイパーグラフデータセット上でのHyperTrustの有効性とロバスト性について,様々なノイズ条件下での実験と理論的解析を行った。 我々の研究は、ラベルノイズを伴うハイパーグラフ学習のための統一されたベンチマークと効果的なソリューションを提供し、将来的な研究の基盤を築き上げている。

関連論文リスト

• 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)
• 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)
• Hypergraph-MLP: Learning on Hypergraphs without Message Passing [41.43504601820411]
  多くのハイパーグラフニューラルネットワークは、ハイパーグラフ構造上のメッセージパッシングを利用してノード表現学習を強化する。 我々は、ハイパーグラフ構造に関する情報を、明示的なメッセージパッシングを伴わずに、トレーニングの監督に組み込む方法を提案する。 具体的には,ハイパーグラフ構造化データのための新しい学習フレームワークであるHypergraph-MLPを紹介する。
  論文  参考訳（メタデータ） (2023-12-15T13:30:04Z)
• Enhancing Hyperedge Prediction with Context-Aware Self-Supervised Learning [57.35554450622037]
  我々は新しいハイパーエッジ予測フレームワーク(CASH)を提案する。 CASHは、コンテキスト認識ノードアグリゲーションを用いて、(C1)ハイパーエッジの各ノード間の複雑な関係をキャプチャし、(2)ハイパーエッジ予測のコンテキストにおける自己教師付きコントラスト学習を行い、(C2)ハイパーグラフ表現を強化する。 6つの実世界のハイパーグラフの実験により、CASHはハイパーエッジ予測の精度で競合する全ての手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-09-11T20:06:00Z)
• 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)
• Adaptive Neural Message Passing for Inductive Learning on Hypergraphs [21.606287447052757]
  本稿では,新しいハイパーグラフ学習フレームワークHyperMSGを紹介する。 各ノードの次数集中度に関連する注意重みを学習することで、データとタスクに適応する。 堅牢で、幅広いタスクやデータセットで最先端のハイパーグラフ学習手法より優れています。
  論文  参考訳（メタデータ） (2021-09-22T12:24:02Z)

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。