A classification model based on a population of hypergraphs

本文介绍了一种新颖的超图分类算法。在这个框架中使用超图已经得到了广泛研究。在以前的工作中，超图模型通常是使用距离或属性基础方法构建的。也就是说，超边是通过连接一组在一定距离内或具有共同属性的样本生成的。然而，这些方法通常不直接关注多向交互。本文提供的算法通过构建探索任何阶数的多向交互的超图来解决这个问题。我们还通过使用一组超图来提高算法的性能和鲁棒性。该算法在两个数据集上进行了评估，与通用随机森林分类算法相比，表现出有希望的性能。

本论文旨在提出一种新的超图分类算法，解决当前超图模型构建方法中忽略多重交互的问题。

论文提出使用一种能够探索任意阶多重交互的超图构建方法，并通过使用超图族来提高算法的性能和鲁棒性。

论文在两个数据集上进行了实验，相对于普通的随机森林分类算法，该算法表现出了很好的性能。此外，论文提供了开源代码。

在当前领域中，已有一些使用距离或属性构建超图的相关研究，但这些方法不直接关注多重交互。