基于超图与无向图等价性的超图卷积网络
机器学习
2022-07-26 v3
摘要
作为建模复杂关系的强力工具，超图正受到图学习社区的青睐。然而，深度超图学习中常用框架聚焦于具有边独立顶点权（EIVW）的超图，未考虑具有更强建模能力的边依赖顶点权（EDVW）超图。为弥补此不足，我们提出通用超图谱卷积（GHSC），一种通用学习框架，不仅处理EDVW与EIVW超图，更重要的是能够从理论上显式利用现有强大的图卷积神经网络（GCNNs），从而大幅简化超图神经网络的设计。在该框架中，给定无向GCNN的图Laplacian被统一的超图Laplacian替代，该超图Laplacian从随机游走视角通过我们所定义的广义超图与简单无向图的等价关系纳入顶点权重信息。来自社交网络分析、视觉目标分类与蛋白质学习等多个领域的广泛实验证明了所提框架的SOTA性能。
引用
@article{arxiv.2203.16939,
title = {Hypergraph Convolutional Networks via Equivalency between Hypergraphs and Undirected Graphs},
author = {Jiying Zhang and Fuyang Li and Xi Xiao and Tingyang Xu and Yu Rong and Junzhou Huang and Yatao Bian},
journal= {arXiv preprint arXiv:2203.16939},
year = {2022}
}
备注
ICML2022 Workshop (https://www.tagds.com/events/conferences/tag-in-machine-learning)