解决超图上的过平滑问题：基于罗慕根流动的神经扩散方法
机器学习
2026-03-18 v1 人工智能
摘要
超图神经网络(HGNN)在建模复杂的高阶关系方面表现出强大的能力，但现有的HGNN常在层数增加时 suffer from 过平滑，缺乏有效控制节点间消息传递。灵感来自罗慕根流在微分几何中的理论，我们在理论上建立，引入离散罗慕根流到超图结构中可以有效调节节点特征演化，从而缓解过平滑。基于此洞察，我们提出一种基于离散罗慕根流引导的超图神经扩散方法(RFHND)，这是一种针对超图的新颖消息传递范式。具体而言，RFHND基于一个PDE系统，描述了超图上节点特征的连续演化，并在几何层面自适应调节信息扩散率，防止特征同质化，产生高质量的节点表示。实验结果表明，RFHND在多个基准数据集上显著优于现有方法，表现出强大的鲁棒性，同时有效缓解了过平滑问题。
引用
@article{arxiv.2603.15696,
title = {Tackling Over-smoothing on Hypergraphs: A Ricci Flow-guided Neural Diffusion Approach},
author = {Mengyao Zhou and Zhiheng Zhou and Xiao Han and Xingqin Qi and Guanghui Wang and Guiying Yan},
journal= {arXiv preprint arXiv:2603.15696},
year = {2026}
}