A Survey on Hypergraph Neural Networks: An In-Depth and Step-By-Step Guide

高阶交互作用（HOIs）在现实世界的复杂系统和应用中普遍存在，因此深度学习在HOIs方面的研究已成为数据挖掘和机器学习社区的宝贵议程。由于HOIs的网络在数学上被表示为超图，因此超图神经网络（HNNs）已经成为超图表示学习的强大工具。鉴于这一新兴趋势，我们提出了第一份专门致力于HNNs的调查报告，提供深入和逐步的指南。总体而言，本调查概述了HNN架构、训练策略和应用。首先，我们将现有的HNNs分解为四个设计组件：（i）输入特征，（ii）输入结构，（iii）消息传递方案和（iv）训练策略。其次，我们研究HNNs如何通过每个组件处理和学习HOIs。第三，我们概述了HNNs在推荐、生物和医学科学、时间序列分析和计算机视觉中的最新应用。最后，我们对限制和未来方向进行讨论。

本文旨在调查深度学习在高阶交互（HOIs）方面的应用，提出了一种基于超图的神经网络架构，即超图神经网络（HNN），用于在超图上进行表示学习。

本文首次提出了HNN，并详细介绍了其四个设计组件：输入特征、输入结构、消息传递方案和训练策略。同时，文章还探讨了HNN如何处理和学习HOIs。

本文还总结了HNN在推荐系统、生物医学科学、时间序列分析和计算机视觉等领域的应用，并讨论了其局限性和未来方向。

在相关研究方面，最近的研究包括：《图神经网络综述》、《超图神经网络的学习与推理》等。