用于超图归纳学习的自适应神经消息传递
机器学习
2021-09-23 v1 多媒体
摘要
图是最普遍用于表示关系数据集并对其进行推断的数据结构。然而，图仅建模节点间的两两关系，并非为编码高阶关系而设计。超图缓解了此缺陷，其中一条边可连接任意数量的节点。多数超图学习方法将超图结构转换为图结构，再部署现有几何深度学习方法。这种转换导致信息丢失，且对超图表达能力的利用次优。我们提出HyperMSG，一种新颖的超图学习框架，其使用模块化两级神经消息传递策略，在每个超边内及跨超边间准确高效地传播信息。HyperMSG通过学习与各节点度中心性关联的注意力权重来适应数据与任务。该机制量化节点的局部与全局重要性，捕捉超图的结构属性。HyperMSG是归纳式的，可对先前未见过的节点进行推断。此外，它鲁棒且在广泛任务与数据集上优于最先进超图学习方法。最后，我们通过在具挑战性的多媒体数据集上的详细实验证明了HyperMSG在学习多模态关系上的有效性。
引用
@article{arxiv.2109.10683,
title = {Adaptive Neural Message Passing for Inductive Learning on Hypergraphs},
author = {Devanshu Arya and Deepak K. Gupta and Stevan Rudinac and Marcel Worring},
journal= {arXiv preprint arXiv:2109.10683},
year = {2021}
}