通过共表示神经超图扩散建模边特定节点特征
机器学习
2025-09-23 v3 人工智能
摘要
超图被广泛用于表示实际应用中的复杂高阶关系。现有超图学习研究大多关注节点级或边级任务。一个实际相关且更具挑战性的任务——边依赖节点分类（ENC）仍未充分探索。在ENC中，一个节点在不同超边中可能有不同标签，这需要建模每个超边特有的节点特征。最先进的ENC解决方案WHATsNet仅输出单一节点和边表示，导致在应用于ENC时存在**纠缠的边特定特征**和**非自适应表示大小**的限制。此外，WHATsNet还遭受大多数HGNN中常见的**过平滑问题**。为解决这些限制，我们提出**CoNHD**，一种专门为ENC建模边特定特征而设计的新型HGNN架构。CoNHD不学习节点和边的分离表示，而是将边内和节点内交互重新表述为节点-边共表示上的超图扩散过程。我们开发了所提扩散过程的神经实现，利用等变网络作为扩散算子，从数据中有效学习扩散动力学。大量实验表明，CoNHD在不牺牲效率的情况下，在所有基准ENC数据集和多个下游任务上取得了最佳性能。我们的实现代码见https://github.com/zhengyijia/CoNHD。
引用
@article{arxiv.2405.14286,
title = {Modeling Edge-Specific Node Features through Co-Representation Neural Hypergraph Diffusion},
author = {Yijia Zheng and Marcel Worring},
journal= {arXiv preprint arXiv:2405.14286},
year = {2025}
}