深度超边：一种用于超图转导与归纳学习的框架
机器学习
2019-10-08 v1 社会与信息网络
机器学习
摘要
从社交网络到蛋白质复合体，从疾病基因组到视觉数据，超图无处不在。然而，研究超图上深度学习的工作仍相当稀少且处于起步阶段，因为尽管大量先前工作已表明在图与集合上深度学习的效用，但迄今尚不存在一种在超图语境下联合使用超边与顶点嵌入的有效统一框架。基于这些近期进展，我们提出 \textit{Deep Hyperedges}（DHE），一种模块化框架，在转导与归纳学习设定下联合利用超图中超边的上下文与置换不变的顶点隶属性质来进行分类与回归。在实验中，我们使用一种新颖的随机游走过程，并表明我们的模型在基准数据集上达到且在多数情况下超越最先进（SOTA）性能。此外，我们研究了框架在多种多样的非标准超图数据集上的表现，并提出了若干未来工作方向以进一步增强 DHE。
引用
@article{arxiv.1910.02633,
title = {Deep Hyperedges: a Framework for Transductive and Inductive Learning on Hypergraphs},
author = {Josh Payne},
journal= {arXiv preprint arXiv:1910.02633},
year = {2019}
}
备注
9 pages, 4 appendices, accepted at NeurIPS '19 workshop on Sets and Partitions