等变超图扩散神经算子

Peihao Wang; Shenghao Yang; Yunyu Liu; Zhangyang Wang; Pan Li

等变超图扩散神经算子

机器学习 2023-02-16 v3 社会与信息网络

作者: Peihao Wang , Shenghao Yang , Yunyu Liu , Zhangyang Wang , Pan Li

摘要

利用神经网络编码超图的超图神经网络（HNNs）为建模数据中的高阶关系并进一步解决基于此类高阶关系的相关预测任务提供了一种有前景的途径。然而，实践中的高阶关系包含复杂模式且往往高度不规则。因此，设计一个既能充分表达这些关系又保持计算效率的 HNN 常常具有挑战性。受超图扩散算法启发，本文提出一种名为 ED-HNN 的新 HNN 架构，其可证明地表示任意连续等变超图扩散算子，能够建模广泛的高阶关系。ED-HNN 可通过将超图的星展开与标准消息传递神经网络相结合来高效实现。ED-HNN 在处理异配超图和构建深层模型方面进一步展现出极大优势。我们在九个真实世界超图数据集上评估 ED-HNN 的节点分类性能。ED-HNN 在这九个数据集上一致优于最佳基线，并在其中四个数据集上取得超过 2%↑ 的预测准确率提升。

关键词

超图神经网络等变扩散算子高阶关系星展开消息传递节点分类异配超图

引用

@article{arxiv.2207.06680,
  title  = {Equivariant Hypergraph Diffusion Neural Operators},
  author = {Peihao Wang and Shenghao Yang and Yunyu Liu and Zhangyang Wang and Pan Li},
  journal= {arXiv preprint arXiv:2207.06680},
  year   = {2023}
}

备注

Code: https://github.com/Graph-COM/ED-HNN

等变超图扩散神经算子

摘要

关键词

引用

备注

相关论文