超图模式机器: 高阶相互作用的组合化标记
机器学习
2026-05-19 v1 人工智能
摘要
超图建模了驱动真实世界决策（如药物处方和推荐）的高阶关系。这种数据中的核心结构信号——超边是否具有组合性——超出了两两关系能表达的范围：组合性超边可被安全简化，涌现性超边需要所有元素共同作用，抑制性超边则标记干扰现有相互作用的药物。在多药联合用药中，决定是否删除、保留或排除某种药物。然而，现有的超图学习方法仅在观察到的超边上进行消息传递，未建模这种组合信号，导致危险的药物组合滑过并被误分类。为此，我们提出了超图模式机器 (HGPM)，将范式从消息传递转向学习子集的组合模式。HGPM 对组合子集进行标记，在包含 DAG 中组织，并在掩码重建下进行包含感知 Transformer 训练。在十个超图基准数据集上，HGPM 与或超过最先进的方法。值得注意的是，在一个真实的不良事件预测案例中，HGPM 正确识别了抑制副作用的药物添加，这是现有方法无法做到的。代码和数据在 https://github.com/KryieZhao/HGPM.git 中。
关键词
引用
@article{arxiv.2605.16527,
title = {Hypergraph Pattern Machine: Compositional Tokenization for Higher-Order Interactions},
author = {Kyrie Zhao and Zehong Wang and Tianyi Ma and Fang Wu and Xiangru Tang and Pietro Lio and Sheng Wang and Yanfang Ye},
journal= {arXiv preprint arXiv:2605.16527},
year = {2026}
}