HWL-HIN：如同Hypergraph Weisfeiler-Lehman测试一样强大的Hypergraph-Level Hypergraph Isomorphism Network及其在更高阶网络鲁棒性中的应用
机器学习
2025-12-29 v1
摘要
复杂系统的鲁棒性在工程和经济层面具有重要重要性。然而，传统的基于攻击的后验鲁棒性评估计算开销巨大。最近，卷积神经网络(CNN)和图神经网络(GNN)等深度学习方法被广泛用作快速鲁棒性预测的替代方案。然而，这些方法忽略了真实系统中常见的复杂的更高阶关联，这些关联自然建模为超图。虽然超图神经网络(HGNN)被广泛用于超图学习，但其拓扑表达能力尚未达到理论上限。为此，本文受图同构网络的启发，提出了一种超图层次超图同构网络框架。理论上，该方法的表达能力严格等价于超图Weisfeiler-Lehman测试，并用于预测超图鲁棒性。实验结果表明，虽然在训练和预测方面保持优异的效率，本文提出的方法不仅超越了现有的基于图的模型，还在强调拓扑结构表示的任务中显著超越了传统HGNN。
引用
@article{arxiv.2512.22014,
title = {HWL-HIN: A Hypergraph-Level Hypergraph Isomorphism Network as Powerful as the Hypergraph Weisfeiler-Lehman Test with Application to Higher-Order Network Robustness},
author = {Chengyu Tian and Wenbin Pei},
journal= {arXiv preprint arXiv:2512.22014},
year = {2025}
}