HyperGraphX：基于超维计算与消息传递的图传递学习
机器学习
2025-10-29 v1 人工智能
神经与进化计算
摘要
我们提出一种新算法 \hdgc，将图卷积与超维计算中的绑定和捆绑操作结合，用于图的传递学习。对于预测准确度，\hdgc 在 homophilic 图和 heterophilic 图上均优于主要且流行的图神经网络实现以及最新的超维计算实现。与我们测试的最准确的学习方法相比，在相同的目标 GPU 平台上，\hdgc 对 \gcnii(图神经网络实现)和 HDGL(超维计算实现)分别快 9561.0 倍和 144.5 倍。由于大部分学习操作在二进制向量上进行，预计 \hdgc 在仿生和新兴存储器中处理器中将表现出卓越的能源性能。
引用
@article{arxiv.2510.23980,
title = {HyperGraphX: Graph Transductive Learning with Hyperdimensional Computing and Message Passing},
author = {Guojing Cong and Tom Potok and Hamed Poursiami and Maryam Parsa},
journal= {arXiv preprint arXiv:2510.23980},
year = {2025}
}