論文の概要: Multi-granularity Adaptive Hypergraph Representation Learning via Granular-ball
- arxiv url: http://arxiv.org/abs/2609.05574v1
- Date: Fri, 04 Sep 2026 07:46:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.09552
- Title: Multi-granularity Adaptive Hypergraph Representation Learning via Granular-ball
- Title（参考訳）: グラニュラーボールによる多粒度適応ハイパーグラフ表現学習
- Abstract要約: ハイパーグラフ表現学習は、複数のノードを同時に接続するハイパーエッジを構築することにより、グラフ内の高次情報をキャプチャすることを目的としている。
本稿では,複数レベルの粒度でハイパーエッジを生成する適応的グラニュラハイパーグラフ生成戦略を提案する。
また,複数のサブネットワークを持つマルチグラニュラリティハイパーグラフネットワークを提案する。
- 参考スコア（独自算出の注目度）: 7.889791816768536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hypergraph representation learning aims to capture high-order information in graphs by constructing hyperedges that simultaneously connect multiple nodes. These hyperedges adapt to the graph's topological features, facilitating the extraction of high-order relationships at multiple granularities. Most prior work relies on predefined definitions to generate hyperedges, overlooking the diversity in graph topological structures and the multi-granularity characteristics of hyperedges. As a result, this limits their ability to effectively and adaptively discover high-order relationships and efficiently process complex structural information. To address this limitation, we propose a novel framework called \underline{M}ulti-\underline{G}ranularity \underline{H}ypergraph \underline{R}epresentation \underline{L}earning (MGHRL). MGHRL introduces an Adaptive Granular Hypergraph Generation strategy, which generates hyperedges at multiple levels of granularity through the adaptive splitting of granular-ball, effectively capturing high-order relationships based on the graph's topological structure. Additionally, we propose a Multi-Granularity Hypergraph Network with multiple sub-networks, capturing features from hyperedges at different granularities and integrating them via hierarchical reversible connections. Experimental results show that MGHRL significantly outperforms baseline models on benchmark datasets.
- Abstract（参考訳）: ハイパーグラフ表現学習は、複数のノードを同時に接続するハイパーエッジを構築することにより、グラフ内の高次情報をキャプチャすることを目的としている。
これらのハイパーエッジはグラフの位相的特徴に適応し、複数の粒度の高次関係の抽出を容易にする。
ほとんどの先行研究は、ハイパーエッジを生成するための事前定義された定義に依存しており、グラフトポロジカル構造の多様性とハイパーエッジの多重粒度特性を見渡すことができる。
その結果、高次関係を効果的かつ適応的に発見し、複雑な構造情報を効率的に処理する能力を制限することができる。
この制限に対処するために、新しいフレームワークである \underline{M}ulti-\underline{G}ranularity \underline{H}ypergraph \underline{R}epresentation \underline{L}earning (MGHRL)を提案する。
MGHRLはアダプティブグラニュラーハイパーグラフ生成戦略を導入し、グラニュラーボールのアダプティブスプリッティングにより複数の粒度のハイパーエッジを生成し、グラフのトポロジ構造に基づく高次関係を効果的に捉える。
さらに,複数のサブネットワークを持つマルチグラニュラリティハイパーグラフネットワークを提案し,異なる粒度のハイパーエッジから特徴をキャプチャし,階層的可逆接続によりそれらを統合する。
実験の結果,MGHRLはベンチマークデータセットのベースラインモデルよりも有意に優れていた。
関連論文リスト
- 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) - ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion [73.85920403511706]
スケーラブルで効果的なグラフ学習のためのマルチホップノード機能を適応的に融合する新しいフレームワークであるScaleGNNを提案する。
予測精度と計算効率の両面で,ScaleGNNは最先端のGNNよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-04-22T14:05:11Z) - Hypergraph Foundation Model [31.16656352968761]
ハイパーグラフニューラルネットワーク(HGNN)は、タンパク質相互作用やソーシャルネットワークのようなドメインにおける複雑な高次関係を効果的にモデル化する。
マルチドメイン知識抽出のためのハイパーグラフ基礎モデルHyper-FMを提案する。
また、HGNNとLLMの間の研究を進めるために、10のテキスト分散ハイパーグラフデータセットをキュレートする。
論文 参考訳（メタデータ） (2025-03-03T05:56:08Z) - 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 Neural Networks through the Lens of Message Passing: A Common Perspective to Homophily and Architecture Design [6.993718963663415]
メッセージ・パッシング・スキームに基づく高階ネットワークにおけるホモフィリーの新たな概念化を提案する。
我々は、HNN内の高次構造を処理するための自然で、ほとんど探索されていない戦略について検討する。
論文 参考訳（メタデータ） (2023-10-11T17:35:20Z) - 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) - Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。
THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。
3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文 参考訳（メタデータ） (2023-06-05T03:26:06Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳（メタデータ） (2021-10-15T07:18:57Z) - 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) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳（メタデータ） (2021-03-25T09:31:41Z)
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。