DPHGNN：一种双视角超图神经网络
机器学习
2024-05-28 v1 社会与信息网络
摘要
超图上的消息传递已成为学习超节点间高阶相关性的标准框架。近期提出的超图神经网络(HGNN)可根据其设计选择分为空间方法和谱方法。本文分析了超图拓扑结构变化对HGNN次优性能的影响，并提出DPHGNN，一种新颖的双视角HGNN，它通过引入等变算子学习，诱导拓扑感知的空间和谱归纳偏置，从而捕获低阶语义。DPHGNN采用统一框架，将来自底层图的低阶显式特征表示动态融合到叠加的超图结构中。我们在八个基准超图数据集上对DPHGNN进行了半监督超节点分类任务的基准测试，与七种最先进的基线方法相比，获得了优越的性能。我们还提供了一个理论框架和一个合成超图同构测试，以表达空间HGNN的能力，并量化DPHGNN超越广义Weisfeiler Leman(1-GWL)测试的表达能力。最后，DPHGNN被我们的合作电商公司部署用于退货预测任务，其宏F1分数比最佳基线高出约7%。
引用
@article{arxiv.2405.16616,
title = {DPHGNN: A Dual Perspective Hypergraph Neural Networks},
author = {Siddhant Saxena and Shounak Ghatak and Raghu Kolla and Debashis Mukherjee and Tanmoy Chakraborty},
journal= {arXiv preprint arXiv:2405.16616},
year = {2024}
}
备注
Accepted in SIGKDD'24 -- Research Track