HyperSearch：通过无约束但高效的搜索预测新超边
社会与信息网络
2025-10-21 v1 机器学习
摘要
复杂系统中的高阶交互（HOI），如科学合作、多蛋白复合物和多用户通信，通常被建模为超图，其中每条超边（即节点的一个子集）表示节点间的一个HOI。给定一个超图，超边预测旨在识别缺失或未来可能形成的超边，其应用广泛，包括推荐基于兴趣的社交群组、预测合作以及揭示生物系统中的功能复合物。然而，超边候选（即节点的所有可能子集）的巨大搜索空间带来了显著的计算挑战，使得朴素的穷举搜索不可行。因此，现有方法要么依赖启发式采样来获得受限候选集，要么依赖关于超图结构的无根据假设来选择有前景的超边。在这项工作中，我们提出了HyperSearch，一种基于搜索的超边预测算法，通过结合两个关键组件来高效评估无约束候选集：（1）一个基于真实世界超图观察得到的经验评分函数，以及（2）一种高效的搜索机制，其中我们推导并使用原始评分函数（该函数不是反单调的）的一个反单调上界来剪枝搜索空间。这种剪枝具有理论保证，确保被丢弃的候选相对于原始评分函数永远不会优于保留的候选。在跨越五个领域的10个真实世界超图上进行的大量实验中，HyperSearch持续优于最先进的基线，在预测新的（即不在训练集中的）超边方面实现了更高的准确性。
引用
@article{arxiv.2510.17153,
title = {HyperSearch: Prediction of New Hyperedges through Unconstrained yet Efficient Search},
author = {Hyunjin Choo and Fanchen Bu and Hyunjin Hwang and Young-Gyu Yoon and Kijung Shin},
journal= {arXiv preprint arXiv:2510.17153},
year = {2025}
}
备注
IEEE International Conference on Data Mining (ICDM) 2025