HyperKAN：基于 Kolmogorov-Arnold 网络的超图表示学习
机器学习
2025-03-18 v1 计算机视觉与模式识别
社会与信息网络
摘要
超图表示学习因其建模高阶关系的能力而在各个领域受到广泛关注。传统方法通常依赖于超图神经网络 (HNN) 采用消息传递机制来聚合顶点和超边特征，但这些方法受限于对超图拓扑的依赖，导致信息聚合不平衡的问题：高度顶点倾向于聚合冗余特征，而低度顶点则难以捕获足够的结构特征。为克服上述挑战，我们引入 HyperKAN，这是一个超越消息传递技术局限性的超图表示学习框架。HyperKAN 对每个顶点进行特征编码，然后利用 Kolmogorov-Arnold 网络 (KANs) 捕获复杂的非线性关系。通过根据相似度调整结构特征，我们的方法生成 refined 顶点表示，从而有效解决了信息聚合不平衡的问题。在真实数据集上的实验结果表明，HyperKAN 在超图神经网络方法方面显著超越了最先进的 HNN 方法，在 Senate 数据集上实现了近 9% 的性能提升。
引用
@article{arxiv.2503.12365,
title = {HyperKAN: Hypergraph Representation Learning with Kolmogorov-Arnold Networks},
author = {Xiangfei Fang and Boying Wang and Chengying Huan and Shaonan Ma and Heng Zhang and Chen Zhao},
journal= {arXiv preprint arXiv:2503.12365},
year = {2025}
}
备注
Accepted by ICASSP2025