論文の概要: AutoHGNN: Robust and Efficient Neural Architecture Search for Hypergraph Neural Networks

• arxiv url: http://arxiv.org/abs/2609.33392v1
• Date: Sun, 27 Sep 2026 09:16:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:25:20.703475
• Title: AutoHGNN: Robust and Efficient Neural Architecture Search for Hypergraph Neural Networks
• Title（参考訳）: AutoHGNN:ハイパーグラフニューラルネットワークのロバストで効率的なニューラルネットワーク探索
• Abstract要約: 本稿では,ハイパーグラフニューラルネットワークに適したニューラルネットワーク検索フレームワークであるAutoHGNNを提案する。 まず,従来のグラフニューラルネットワーク設計とハイパーグラフデータのミスマッチに対処するために,ハイパーインタラクションモジュール(HIM)を検索空間に導入する。 第2に,ハイパーグラフの固有構造親和性を最もよく保持するアーキテクチャを識別するための構造選択基準として,ハイパーグラフ安定位相距離(HyperSTD)を提案する。
• 参考スコア（独自算出の注目度）: 8.962718367558326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hypergraph neural networks have achieved significant success in recent years. However, manual architecture crafting is labor-intensive and often fails to capture complex, higher-order relations, making the automation of hypergraph neural network structure design crucial. To improve the automation and adaptability of hypergraph learning, this paper proposes AutoHGNN, a neural architecture search framework tailored for hypergraph neural networks. First, we introduce a Hyper-Interaction Module (HIM) into the search space to address the mismatch between conventional graph neural network designs and hypergraph data. Second, we propose Hypergraph Stable Topological Distance (HyperSTD) as a structural selection criterion to identify architectures that best preserve the intrinsic structural affinities of the original hypergraph during differentiable search. Extensive experiments on various benchmark datasets demonstrate that AutoHGNN consistently outperforms manually designed and automatically searched baselines in classification accuracy and time efficiency, proving that the discovered architectures are significantly more effective.
• Abstract（参考訳）: ハイパーグラフニューラルネットワークは近年大きな成功を収めている。 しかし、手作業によるアーキテクチャ構築は労働集約的であり、しばしば複雑な高次関係を捉えることに失敗し、ハイパーグラフニューラルネットワーク構造設計の自動化が不可欠である。 本稿では,ハイパーグラフ学習の自動化と適応性を改善するために,ハイパーグラフニューラルネットワークに適したニューラルネットワーク検索フレームワークであるAutoHGNNを提案する。 まず,従来のグラフニューラルネットワーク設計とハイパーグラフデータのミスマッチに対処するために,ハイパーインタラクションモジュール(HIM)を検索空間に導入する。 第2に,ハイパーグラフ安定位相距離 (HyperSTD) を構造選択基準として提案する。 様々なベンチマークデータセットに対する大規模な実験により、AutoHGNNは手動で設計され、分類精度と時間効率でベースラインを自動検索し、発見されたアーキテクチャがはるかに効果的であることを証明した。

関連論文リスト

• Training-Free Message Passing for Learning on Hypergraphs [35.35391968349657]
  ハイパーグラフニューラルネットワーク(HNN)は、メッセージパッシングによってハイパーグラフ構造を効果的に利用し、ノードの特徴を生成する。 モデル学習段階からハイパーグラフ構造情報の利用を分離する手法を提案する。 これにより、TF-MP-Moduleと呼ばれる新しいトレーニング不要のメッセージパッシングモジュールが作成され、データ前処理の段階でプリ計算される。
  論文  参考訳（メタデータ） (2024-02-08T11:10:39Z)
• 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)
• Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
  ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。 本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。 実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
  論文  参考訳（メタデータ） (2022-07-14T06:17:00Z)
• 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)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)

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。