論文の概要: Overlap-Aware Sub-hypergraph Pattern Frequencies for Hypergraph-Level Classification

• arxiv url: http://arxiv.org/abs/2610.33514v1
• Date: Sat, 24 Oct 2026 07:46:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.349744
• Title: Overlap-Aware Sub-hypergraph Pattern Frequencies for Hypergraph-Level Classification
• Title（参考訳）: ハイパーグラフレベル分類のためのオーバーラップ対応サブハイパーグラフパターン周波数
• Abstract要約: ハイパーグラフ全体を分類するには、頂点とハイパーエッジの数が異なる入力の固定長記述が必要である。 頻繁なサブハイパーグラフパターンはそのような記述を提供するが、以前の作業記録は各パターンが存在するかどうかのみである。 重なり合うラベルと、対象のハイパーグラフから受け継いだ2つのパターンハイパーエッジの双対交叉サイズと、各パターンの相対周波数で各ハイパーグラフを表現し、頻繁なサブハイパーグラフマイニングを継続する。
• 参考スコア（独自算出の注目度）: 0.7874708385247353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classifying whole hypergraphs requires a fixed-length description of inputs whose numbers of vertices and hyperedges vary. Frequent sub-hypergraph patterns provide such a description, but previous work records only whether each pattern is present, which loses two kinds of information: how large the overlap between two hyperedges is, and how much of a hypergraph each pattern makes up. We extend frequent sub-hypergraph mining with overlap labels, the binned intersection size of two pattern hyperedges inherited from the target hypergraph, and represent each hypergraph by the relative frequency of each mined pattern. The vocabulary is mined from training hypergraphs only and then frozen, and validation and test hypergraphs are matched against it. A support rule that depends on pattern size keeps the vocabulary small. On the six hypergraph-classification datasets of DHG-Bench, with a single configuration chosen on validation scores, the method has a higher mean Macro-F1 than the best published mean on five datasets, by 18.67 points on Twitter-Friend and 10.02 points on Steam-Player; on RHG-3 it is 0.21 points lower. Ablations show that on Steam-Player and Twitter-Friend, replacing relative frequencies with presence lowers Macro-F1 by about 18 points, and that removing overlap labels lowers it by 4 to 9 points.
• Abstract（参考訳）: ハイパーグラフ全体を分類するには、頂点とハイパーエッジの数が異なる入力の固定長記述が必要である。 頻繁なサブハイパーグラフパターンはそのような記述を提供するが、以前のワークは各パターンが存在するかどうかのみを記録しており、2つのハイパーエッジ間の重なり合いの大きさと、各パターンがどれだけのハイパーグラフを構成するかという2種類の情報を失う。 重なり合うラベルと、対象のハイパーグラフから受け継いだ2つのパターンハイパーエッジの双対交叉サイズと、各パターンの相対周波数で各ハイパーグラフを表現し、頻繁なサブハイパーグラフマイニングを継続する。 語彙はハイパーグラフのトレーニングのみから抽出され、その後凍結され、検証とテストのハイパーグラフがそれにマッチする。 パターンサイズに依存するサポートルールは、語彙を小さく保ちます。 DHG-Benchの6つのハイパーグラフ分類データセットでは、バリデーションスコアに1つの構成が選択され、このメソッドは5つのデータセットで最も公表されている平均値よりも平均マクロF1が高く、Twitter-Friendでは18.67ポイント、Steam-Playerでは10.02ポイント、RHG-3では0.21ポイント低い。 Steam-PlayerとTwitter-Friendでは、相対周波数をプレゼンスに置き換えると、Macro-F1は約18ポイント低下し、重複ラベルの削除は4～9ポイント低下する。

関連論文リスト

• Unsupervised Multi-Scale Gromov-Wasserstein Hypergraph Alignment [17.88280607029242]
  ハイパーグラフアライメントのための教師なし最適トランスポートフレームワークであるFALCONを紹介する。 FALCONは構造ノイズに対して堅牢であり、ほとんどの場合、強いグラフおよびハイパーグラフアライメントベースラインよりも優れている。
  論文  参考訳（メタデータ） (2026-08-30T07:55:35Z)
• Non-adaptive Learning of Random Hypergraphs with Queries [0.9831489366502302]
  隠れハイパーグラフの$G=(V,E)$を1バッチのクエリで(非適応的に)学習する問題について検討する。 We generalize the results of Li et al. to the setting of random $k$-uniform hypergraphs。
  論文  参考訳（メタデータ） (2025-01-22T10:14:27Z)
• 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)
• Classification of Edge-dependent Labels of Nodes in Hypergraphs [17.454063924648896]
  エッジ依存ノードラベルの分類を新しい問題として紹介する。 この問題はハイパーグラフニューラルネットワークのベンチマークタスクとして使用できる。 提案するWHATsNetは,参加するハイパーエッジに応じて同一ノードを異なる表現で表現する,新しいハイパーグラフニューラルネットワークである。
  論文  参考訳（メタデータ） (2023-06-05T16:50:34Z)
• Core-periphery Models for Hypergraphs [0.0]
  コア周辺構造に対するランダムなハイパーグラフモデルを提案する。 我々は,実際に線形wrtを持つ大規模ハイパーグラフにスケール可能な,新しい統計的推論アルゴリズムを開発した。 我々の推論アルゴリズムはハイパーグラフ内のノードの評判(ランク)に対応する埋め込みを学習することができる。
  論文  参考訳（メタデータ） (2022-06-01T22:11:44Z)
• 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)
• Sketch-Based Anomaly Detection in Streaming Graphs [89.52200264469364]
  動的グラフからのグラフエッジのストリームを前提に、オンライン形式でエッジやサブグラフに異常スコアを割り当てるにはどうすればよいのか? 本手法は,高密度部分グラフ探索を取り入れた最初のストリーミング手法であり,一定時間におけるグラフ異常を検出する。
  論文  参考訳（メタデータ） (2021-06-08T16:10:36Z)
• Learning Multi-Granular Hypergraphs for Video-Based Person Re-Identification [110.52328716130022]
  ビデオベースの人物識別(re-ID)はコンピュータビジョンにおいて重要な研究課題である。 MGH(Multi-Granular Hypergraph)という新しいグラフベースのフレームワークを提案する。 MARSの90.0%のトップ-1精度はMGHを用いて達成され、最先端のスキームよりも優れていた。
  論文  参考訳（メタデータ） (2021-04-30T11:20:02Z)
• Semi-supervised Hypergraph Node Classification on Hypergraph Line Expansion [7.933465724913661]
  本稿では,ハイパーグラフ学習のためのEmphline expansion (LE) という新しいハイパーグラフの定式化を提案する。 提案手法は,既存のグラフ学習アルゴリズムを高次構造に適合させる。 提案手法を5つのハイパーグラフデータセット上で評価し,提案手法がSOTAベースラインを有意差で上回ることを示す。
  論文  参考訳（メタデータ） (2020-05-11T03:02:21Z)

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。