Wasserstein超图神经网络

利用机器学习建模关系信息的能力推动了从医学到社会科学等各个领域的进步。虽然图表示学习在过去十年中已成为主流，但通过超图表示高阶关系正在迅速获得动力。在过去几年中，出现了许多超图神经网络，其中大多数属于两阶段、基于集合的框架。消息从节点发送到边，然后从边发送到节点。然而，大多数进展仍然借鉴图模型的对应方法，通常将聚合简化为基本的池化操作。在本文中，我们提出了Wasserstein超图神经网络，该模型将节点和超边邻域视为分布，并使用切片Wasserstein池化来聚合信息。与均值或求和等传统聚合器不同，后者仅捕获一阶统计量，我们的方法能够保留分布的几何特性，如形状和散布。这使得学习到的嵌入能够反映一个超边分布转化为另一个超边分布的难易程度，遵循最优传输的原则。实验结果表明，在超图设置中应用Wasserstein池化显著有利于节点分类任务，在多个真实数据集上取得了最佳性能。