Co-Representation Neural Hypergraph Diffusion for Edge-Dependent Node Classification

超图广泛用于表示实际应用中的复杂高阶关系。大多数超图学习研究集中在节点或边级任务上。最近提出了一个实际相关但更具挑战性的任务，即基于边的节点分类（ENC）。在ENC中，一个节点可以在不同的超边上有不同的标签，这需要对节点-超边对进行建模，而不是单个节点或超边。现有的解决方案基于消息传递，并将模型建立在边内和节点内交互作用的基础上，作为多输入单输出函数。这带来了三个限制：（1）非自适应表示大小，（2）节点/边不可知的消息，以及（3）节点或超边之间的交互不足。为了解决这些限制，我们开发了CoNHD，一种基于超图扩散的新解决方案。具体而言，我们首先使用节点-超边共同表示扩展超图扩散。该扩展使用两个等变扩散算子，将内部边和节点交互建模为多输入多输出函数。为了避免手工制定正则化函数，我们提出了一个神经实现共同表示超图扩散过程。广泛的实验表明，所提出的CoNHD模型具有有效性和高效性。

解决问题：论文提出了一个新的解决方案，来解决边依赖节点分类（ENC）这个新兴的问题。

关键思路：论文提出了一个新的方案CoNHD，基于超图扩散，使用节点-超边共同表示来解决ENC问题。该方法采用了两个等变扩散算子，显式地建模了边内和节点内的交互，并提出了一种神经实现的超图扩散过程，避免了手动设计正则化函数。

其他亮点：论文在多个数据集上进行了广泛的实验，证明了CoNHD方法的有效性和高效性。此外，论文还提供了开源代码和可重现性实验结果，这为进一步研究提供了便利。

相关研究：目前，大多数超图学习研究都集中在节点或边级任务上，ENC是一个新兴的、更具挑战性的任务。现有的解决方案基于消息传递，将模型内部和节点内部交互建模为多输入单输出函数，存在表示大小不可调、节点/边不可知的消息和节点/超边之间交互不足等问题。