针对异质性超图的无监督表示学习：BHyGNN+
机器学习
2026-02-17 v1 人工智能
摘要
超图神经网络（HyGNNs）在建模实体之间的高阶关系方面显示出显著的成功，但在节点通过同一超边连接时倾向于具有不相似的语义表示或属于不同类别的异质性超图上，其性能往往会下降。虽然已提出多种 HyGNNs，包括我们的先前工作 BHyGNN，来解决异质性问题，但它们对标记数据的依赖严重限制了在标注稀缺或成本高昂的实际场景中的应用。为克服这一限制，我们引入 BHyGNN+，一个扩展 BHyGNN 以进行无标签异质性超图表示学习的自监督学习框架。BHyGNN+ 的核心思想是超图二元性，这是一种结构转换，其中节点和超边的角色被互换。通过对比超图及其二元图的增强视图之间的余弦相似性，我们的框架以无监督方式捕获超图的基本结构模式。值得注意的是，这种基于二元性的表述消除了对负样本的需求，而负样本是现有超图对比学习方法常见的要求，在实际中往往难以满足。广泛的实验表明，BHyGNN+ 在十一个基准数据集上 consistently 优于面向同质性和异质性超图的 state-of-the-art 监督和自监督基线。我们的结果验证了利用超图二元性进行自监督学习的有效性，并为在挑战性无标签超图上进行表示学习确立了新的范式。
引用
@article{arxiv.2602.14919,
title = {BHyGNN+: Unsupervised Representation Learning for Heterophilic Hypergraphs},
author = {Tianyi Ma and Yiyue Qian and Zehong Wang and Zheyuan Zhang and Chuxu Zhang and Yanfang Ye},
journal= {arXiv preprint arXiv:2602.14919},
year = {2026}
}