論文の概要: HyBridge: Bridge-Guided Self-Supervised Hyperbolic Hypergraph Representation Learning
- arxiv url: http://arxiv.org/abs/2611.16351v1
- Date: Thu, 12 Nov 2026 06:10:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.375017
- Title: HyBridge: Bridge-Guided Self-Supervised Hyperbolic Hypergraph Representation Learning
- Title(参考訳): HyBridge: ブリッジガイドによる自己監督型ハイパーグラフ表現学習
- Abstract要約: ハイパーグラフは複数のノード間のグループワイズ関係を捉え、しばしば木のような構造を示す。
自己教師型双曲表現学習フレームワークHyBridgeを提案する。
10個の実世界のハイパーグラフの実験により、HyBridgeは競合する22の手法より優れていることが示された。
- 参考スコア(独自算出の注目度): 17.96236104895915
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hypergraphs capture groupwise relationships among multiple nodes and often exhibit tree-like structures. Although hyperbolic space is well suited for modeling such structures, simply extending existing hypergraph representation learning (HRL) methods to hyperbolic space does not consistently improve performance. In this paper, we investigate the relationship between node structural properties and hyperbolic embedding radii and find that bridge nodes tend to lie closer to the center in graphs, whereas this relationship is not consistently observed in hypergraphs. We further find that conventional bridge score estimation may fail to capture the groupwise connectivity of hypergraphs. Motivated by these findings, we propose HyBridge, a self-supervised hyperbolic HRL framework that (1) estimates node bridge scores by considering the external connectivity of individual hyperedges, (2) learns node and hyperedge embeddings through hyperbolic hypergraph encoding, (3) guides node radial positions according to their bridge scores, and (4) employs contrastive learning to preserve node discriminability. Extensive experiments on 10 real-world hypergraphs demonstrate that HyBridge outperforms 22 competing methods, achieving performance improvements of up to 9.82% in node classification. For reproducibility, we provide the code at https://anonymous.4open.science/r/HyBridge/.
- Abstract(参考訳): ハイパーグラフは複数のノード間のグループワイズ関係を捉え、しばしば木のような構造を示す。
双曲空間はそのような構造をモデル化するのに適しているが、既存の双曲表現学習法(HRL)を双曲空間に拡張するだけでは、常に性能が向上しない。
本稿では,ノード構造特性と双曲埋め込み半径の関係について検討し,橋梁ノードがグラフの中心に近づく傾向にあるのに対して,この関係はハイパーグラフでは一貫して観測されないことを示す。
さらに、従来のブリッジスコア推定では、ハイパーグラフのグループワイド接続性が得られないことが判明した。
これらの知見により,(1)個々のハイパーエッジの外部接続性を考慮してノードブリッジのスコアを推定し,(2)ハイパーグラフの符号化を通じてノードとハイパーエッジの埋め込みを学習し,(3)ブリッジのスコアに従ってノードの半径位置をガイドし,(4)ノードの識別性を維持するための対照的な学習手法であるHyBridgeを提案する。
10個の実世界のハイパーグラフの大規模な実験により、HyBridgeは22個の競合する手法より優れており、最大9.82%の性能向上を達成した。
再現性のため、https://anonymous.4open.science/r/HyBridge/.comでコードを公開しています。
関連論文リスト
- BHyGNN+: Unsupervised Representation Learning for Heterophilic Hypergraphs [50.161252392272324]
異種ハイパーグラフ上での表現学習のための自己教師型学習フレームワークであるBHyGNN+を紹介する。
ハイパーグラフの強化ビューとコサイン類似性(cosine similarity)を対比することにより、我々のフレームワークは、完全に教師なしの方法で本質的な構造パターンをキャプチャする。
本研究では,ハイパーグラフの双対性を利用した自己教師型学習の有効性を検証した。
論文 参考訳(メタデータ) (2026-02-16T16:55:37Z) - Hyperbolic Hypergraph Neural Networks for Multi-Relational Knowledge Hypergraph Representation [19.14148664582895]
本稿では,H2GNN(Hyperbolic Hypergraph Neural Network)を提案する。
我々はH2GNNを知識ハイパーグラフに基づく15のベースラインと比較し、ノード分類とリンク予測の両タスクにおいて最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2024-12-11T12:03:33Z) - HC-GLAD: Dual Hyperbolic Contrastive Learning for Unsupervised Graph-Level Anomaly Detection [32.607141662986635]
非教師付きグラフレベル異常検出(HC-GLAD、略して)のための新しい双曲双曲双曲型コントラスト学習法を提案する。
高次ノード群情報を利用するために、事前に設計された金モチーフに基づいてハイパーグラフを構築し、その後、ハイパーグラフ畳み込みを行う。
実世界のグラフの階層性を維持するため、この領域に双曲幾何学を導入し、双曲型モデルを用いて双曲型空間におけるグラフと双曲型埋め込み学習を行う。
論文 参考訳(メタデータ) (2024-07-02T08:38:32Z) - 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) - 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) - Enhancing Hyperbolic Graph Embeddings via Contrastive Learning [7.901082408569372]
複数の双曲空間を通してノード表現を学習する新しいハイパーボリックグラフコントラスト学習(HGCL)フレームワークを提案する。
複数の実世界のデータセットに対する実験結果は、提案したHGCLの優位性を示している。
論文 参考訳(メタデータ) (2022-01-21T06:10:05Z)
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。