用于增强节点分类的超图神经网络重叠感知元学习注意力
机器学习
2025-11-14 v2 社会与信息网络
摘要
尽管超图神经网络（HGNNs）已成为分析复杂数据集的强大框架，但其实际性能往往受限。一方面，现有网络通常采用单一类型的注意力机制，在消息传递过程中仅关注结构相似性或特征相似性。另一方面，假设当前超图模型中的所有节点具有相同的重叠水平可能会导致次优的泛化能力。为了克服这些局限性，我们提出了一种新颖的框架——用于超图神经网络的重叠感知元学习注意力（OMA-HGNN）。首先，我们引入了一种结合结构和特征相似性的超图注意力机制。具体而言，我们将它们各自的损失与加权因子线性结合用于 HGNN 模型。其次，我们根据节点不同的重叠水平将其划分为不同任务，并开发了一个多任务 Meta-Weight-Net（MWN）来确定相应的加权因子。第三，我们利用外部 HGNN 模型的损失联合训练内部 MWN 模型，并利用内部模型的加权因子训练外部模型。为了评估 OMA-HGNN 的有效性，我们在六个真实世界数据集上进行了实验，并将其与九种最先进的节点分类方法进行了基准比较。结果表明，OMA-HGNN 在学习优异的节点表征方面表现出色，并优于这些基线方法。
引用
@article{arxiv.2503.07961,
title = {Overlap-aware meta-learning attention to enhance hypergraph neural networks for node classification},
author = {Murong Yang and Shihui Ying and Yue Gao and Xin-Jian Xu},
journal= {arXiv preprint arXiv:2503.07961},
year = {2025}
}
备注
complexity analysis and computational experiments were supplemented