基于双平滑先验从信号中学习超图结构
机器学习
2025-03-12 v4 社会与信息网络
信号处理
机器学习
摘要
超图结构学习旨在从观测信号中学习超图结构以捕捉实体间内在的高阶关系，当数据集中超图拓扑不易获得时变得至关重要。该问题的核心存在两个挑战：1) 如何处理潜在超边的巨大搜索空间；2) 如何定义有意义的准则来衡量节点上观测信号与超图结构之间的关系。本文中，针对第一个挑战，我们采用如下假设：理想的超图结构可由一个可学习的图结构导出，该图结构捕捉信号内的成对关系。进一步，我们提出一种超图结构学习框架 HGSL，其带有新颖的双平滑先验，揭示了观测节点信号与超图结构之间的映射，其中每个超边对应于可学习图结构中具有节点信号平滑性与边信号平滑性的子图。最后，我们进行了大量实验，在合成与真实世界数据集上评估 HGSL。实验表明 HGSL 能高效地从观测信号推断有意义的超图拓扑。
引用
@article{arxiv.2211.01717,
title = {Learning Hypergraphs From Signals With Dual Smoothness Prior},
author = {Bohan Tang and Siheng Chen and Xiaowen Dong},
journal= {arXiv preprint arXiv:2211.01717},
year = {2025}
}