論文の概要: HyperFuse: Fast Self-Supervised Node Embeddings for Attributed Hypergraphs

• arxiv url: http://arxiv.org/abs/2610.03211v1
• Date: Fri, 02 Oct 2026 12:30:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.361898
• Title: HyperFuse: Fast Self-Supervised Node Embeddings for Attributed Hypergraphs
• Title（参考訳）: HyperFuse: 分散ハイパーグラフのための高速な自己スーパービジョンノード埋め込み
• Abstract要約: 自己教師付きハイパーグラフ表現学習は情報ノードの埋め込みを生成する。 既存の方法は数百のエポックのために訓練されたディープエンコーダを必要とすることが多く、数千のノードを持つハイパーグラフでさえ埋め込み生成にコストがかかる。 高速なハイパーグラフ表現学習のためのラベルなしパイプラインであるHyperFuseを提案する。
• 参考スコア（独自算出の注目度）: 3.942007793231752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised hypergraph representation learning can produce informative node embeddings, but existing methods often require deep encoders trained for hundreds of epochs, making embedding generation costly even for hypergraphs with a few thousand nodes. This limits applications requiring embeddings for many or evolving hypergraphs. We present HyperFuse, a label-free pipeline for fast hypergraph representation learning. HyperFuse (i) computes structural node coordinates by maximizing a spectral relaxation of hypergraph modularity using Banerjee's hypergraph adjacency and a matrix-free operator with cost linear in node-hyperedge incidences; (ii) constructs multi-scale feature summaries and assigns bounded utility weights to hyperedges based on member stability under feature and membership masking; and (iii) trains a lightweight utility-weighted hypergraph encoder for 100 epochs using an invariance-decorrelation objective. We compare HyperFuse with TriCL, SE-HSSL, VilLain, and HypeBoy on nine public hypergraphs using six downstream classifiers and k-means clustering. On the eight datasets where all methods completed, HyperFuse required 8.7 s per dataset on average, achieving 13-179x geometric-mean speed-ups over the baselines. It achieved the highest average accuracy with five of six classifiers, while classification and clustering performance was not significantly different from TriCL and SE-HSSL. Compared with HypeBoy, HyperFuse was 13x faster and 2.1-4.1 percentage points more accurate across all classifiers. HyperFuse provides a practical approach for fast, repeated hypergraph embedding generation.
• Abstract（参考訳）: 自己教師付きハイパーグラフ表現学習は、情報的なノード埋め込みを生成することができるが、既存の手法では数百のエポックで訓練されたディープエンコーダを必要とすることが多く、数千のノードを持つハイパーグラフでさえ、埋め込み生成にコストがかかる。 これにより、多くのハイパーグラフや進化するハイパーグラフの埋め込みを必要とするアプリケーションが制限される。 高速なハイパーグラフ表現学習のためのラベルなしパイプラインであるHyperFuseを提案する。 HyperFuse i) ハイパーグラフのモジュラリティのスペクトル緩和をBanajeeのハイパーグラフ隣接度と,ノード-ハイパーエッジ発生時のコスト線形な行列フリー演算子を用いて最大化することにより,構造ノード座標を計算する。 二 マルチスケールの特徴要約を構築し、特徴マスキング及び会員マスキングによるメンバーの安定性に基づき、有界実用重量をハイパーエッジに割り当てる。 三 不変デコレーション目的を用いて、100エポックの軽量ユーティリティ重み付きハイパーグラフエンコーダを訓練する。 我々は,TriCL,SE-HSSL,VilLain,HypeBoyの9つの公開ハイパーグラフに対して,6つの下流分類器とk平均クラスタリングを用いてHyperFuseを比較した。 すべてのメソッドが完了した8つのデータセットに対して、HyperFuseはデータセット当たり平均8.7秒を必要とし、ベースライン上での幾何平均スピードアップを13-179倍達成した。 分類とクラスタリング性能はTriCLとSE-HSSLと大きく異なるものではなかった。 HypeBoyと比較すると、HyperFuseは13倍速く、2.1-4.1ポイントはすべての分類器でより正確である。 HyperFuseは高速かつ反復的なハイパーグラフ埋め込み生成のための実用的なアプローチを提供する。

関連論文リスト

• HyperSMOTE: A Hypergraph-based Oversampling Approach for Imbalanced Node Classifications [2.172034690069702]
  ハイパーグラフ学習におけるクラス不均衡問題を緩和する手法としてHyperSMOTEを提案する。 マイノリティクラスとその周辺地域のサンプルに基づいて新しいノードを合成する。 新たなノードをハイパーグラフに統合する際の問題を解決するために,元のハイパーグラフインシデント行列に基づいてデコーダを訓練する。
  論文  参考訳（メタデータ） (2024-09-09T08:01:28Z)
• 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)
• A Hypergraph Neural Network Framework for Learning Hyperedge-Dependent Node Embeddings [39.9678554461845]
  ハイパーグラフニューラルネットワーク(HNN)と呼ばれるハイパーグラフ表現学習フレームワークを導入する。 HNNはハイパーグラフの各ノードに対するハイパーエッジ依存の埋め込みセットとともに、ハイパーエッジ埋め込みを共同で学習する。 HNNは全ベースラインモデルとハイパーエッジ予測およびハイパーグラフノード分類のためのグラフで7.72%と11.37%の全体平均ゲインを達成した。
  論文  参考訳（メタデータ） (2022-12-28T19:45:38Z)
• 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)
• 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)
• 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)
• HNHN: Hypergraph Networks with Hyperedge Neurons [90.15253035487314]
  HNHNはハイパーグラフ畳み込みネットワークであり、ハイパーノードとハイパーエッジの両方に非線形活性化関数が適用される。 実世界のデータセットの分類精度と速度の両面でのHNHNの性能向上を示す。
  論文  参考訳（メタデータ） (2020-06-22T14:08:32Z)
• Minimizing Localized Ratio Cut Objectives in Hypergraphs [32.80813008862995]
  局所化率削減目標の最小化に基づく局所的ハイパーグラフクラスタリングのためのフレームワークを提案する。 我々のアルゴリズムは強局所的であり、その実行は入力セットのサイズにのみ依存し、優れたローカルクラスタを見つけるためにハイパーグラフ全体を探索する必要はない。
  論文  参考訳（メタデータ） (2020-02-21T17:42:22Z)

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。