面向少样本节点分类的参数-free超图神经网络
机器学习
2025-10-27 v1
摘要
少样本节点分类在超图上需要能够从稀缺标签中实现泛化，同时捕获高阶结构的模型。现有的超图神经网络（HNNs）有效地编码了此类结构，但常因复杂的黑箱体系结构而出现过拟合和可扩展性问题。本文提出了ZEN（Zero-Parameter Hypergraph Neural Network），一个完全线性且参数-free的模型，实现了表达性和效率。基于线性化HNNs的统一表述，ZEN引入了权重矩阵的可解析闭式解，以及冗余感知的传播方案，以避免迭代训练并消除冗余的自信息。在11个真实世界的超图基准上，ZEN在分类准确率上一致优于8个基线模型，同时相对于最快的竞争者实现了最高可达696倍的加速。此外，ZEN的决策过程是完全可解释的，提供了有关数据集特征的洞察。我们的代码和数据集全部可在https://github.com/chaewoonbae/ZEN获取。
引用
@article{arxiv.2510.21462,
title = {Parameter-Free Hypergraph Neural Network for Few-Shot Node Classification},
author = {Chaewoon Bae and Doyun Choi and Jaehyun Lee and Jaemin Yoo},
journal= {arXiv preprint arXiv:2510.21462},
year = {2025}
}