論文の概要: Interpretable Hypergraph Learning via Neural Additive Models

• arxiv url: http://arxiv.org/abs/2610.07458v1
• Date: Mon, 05 Oct 2026 22:07:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.690663
• Title: Interpretable Hypergraph Learning via Neural Additive Models
• Title（参考訳）: ニューラル加算モデルによる解釈可能ハイパーグラフ学習
• Abstract要約: Hypergraph Neural Additive Network (HGNAN) は、ハイパーグラフ構造データを学習するための本質的に解釈可能なフレームワークである。 HGNANは、機能的に非線形な分解を統合することにより、古典的なニューラルネットワークを高次関係データに拡張する。 ベンチマークデータセットの実験は、HGNANが最先端のハイパーグラフ学習手法に匹敵するパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 9.72833672376377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hypergraphs offer a natural framework for modeling networked data, where dependencies among entities are governed by higher-order interactions. While hypergraph learning methods such as hypergraph neural networks have demonstrated remarkable predictive performance, most existing approaches rely on black-box message-passing architectures, making it difficult to disentangle the contributions of node attributes and higher-order structural information. To address this challenge, we introduce the hypergraph neural additive network (HGNAN), an inherently interpretable framework for learning on hypergraph-structured data. HGNAN extends classical neural additive models to higher-order relational data by integrating feature-wise nonlinear decomposition with hypergraph-aware structural aggregation, enabling transparent prediction for both node- and hyperedge-level tasks. Extensive experiments on benchmark datasets demonstrate that HGNAN achieves performance comparable with state-of-the-art hypergraph learning methods while providing intrinsic and meaningful interpretability.
• Abstract（参考訳）: ハイパーグラフは、エンティティ間の依存関係が高次のインタラクションによって管理される、ネットワーク化されたデータをモデリングするための自然なフレームワークを提供する。 ハイパーグラフニューラルネットワークのようなハイパーグラフ学習手法は顕著な予測性能を示したが、既存のアプローチのほとんどはブラックボックスのメッセージパッシングアーキテクチャに依存しており、ノード属性や高次構造情報の寄与を解消することは困難である。 この課題に対処するために、ハイパーグラフ構造化データについて学習するための本質的に解釈可能なフレームワークであるハイパーグラフニューラルネットワーク(HGNAN)を導入する。 HGNANは、機能的非線形分解とハイパーグラフ認識構造アグリゲーションを統合し、ノードレベルのタスクとハイパーエッジレベルのタスクの両方を透過的に予測することで、古典的なニューラル加算モデルを高階リレーショナルデータに拡張する。 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、HGNANは、本質的で有意義な解釈性を提供しながら、最先端のハイパーグラフ学習手法に匹敵するパフォーマンスを達成することが示された。

関連論文リスト

• Enhancing the Utility of Higher-Order Information in Relational Learning [0.9899763598214121]
  関係学習におけるハイパーグラフレベルのアーキテクチャとグラフレベルのアーキテクチャの有効性を評価する。 本稿では,古典的なハイパーグラフ特性に基づくハイパーグラフレベルの符号化を提案する。 理論解析により,ハイパーグラフレベルの符号化がメッセージパッシンググラフニューラルネットワークの表現力を高めることが確認できた。
  論文  参考訳（メタデータ） (2025-02-13T18:28:17Z)
• Learning from Heterogeneity: A Dynamic Learning Framework for Hypergraphs [22.64740740462169]
  本稿では,動的ハイパーエッジ構築と注意深い埋め込み更新が可能なLFHというハイパーグラフ学習フレームワークを提案する。 提案手法の有効性を評価するため,いくつかの一般的なデータセットを対象とした総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-07-07T06:26:44Z)
• 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)
• Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module [65.81781176362848]
  グラフニューラルネットワーク(GNN)は、近隣情報収集を通じてグラフ構造化データから学習することができる。 レイヤーの数が増えるにつれて、ノード表現は区別不能になり、オーバー・スムーシング(over-smoothing)と呼ばれる。 我々は,textbfPosterior-Sampling-based, Node-distinguish Residual Module (PSNR)を提案する。
  論文  参考訳（メタデータ） (2023-05-09T12:03:42Z)
• 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)
• 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)
• 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)

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。