【论文标题】Learnable Hypergraph Laplacian for Hypergraph Learning

【作者团队】Jiying Zhang, Yuzhao Chen, Xi Xiao, Runiu Lu, Shu-Tao Xia

【发表时间】2021/06/10

【机构】清华大学深圳研究生院、鹏城实验室

【论文链接】https://arxiv.org/pdf/2106.05701.pdf

本文出自清华大学深圳研究生院、鹏城实验室联合团队，作者首次提出了一种基于学习的自适应超图结构构造方法，可以和有效发掘真实数据中的隐式和长程关系。

超图卷积神经网络（HGCNN）在建立图结构数据中的高阶关系方面具有很大的潜力。然而，现有的卷积滤波器大多是由预先定义的初始超图拓扑定位并确定的，无法很好地发掘真实数据中的隐式和长程关系。在本文中，作者提出了第一种基于学习的自适应超图结构构造方法 HERALD，这是一种通用的即插即用模块，可以提高 HGCNN 的表征能力。具体而言，HERALD 以端到端的方式自适应地优化超节点和超边之间的邻接关系，从而学习针对于具体任务的超图。此外，HERALD 利用自注意机制来捕捉非局部配对节点的关系。

作者在各种流行的超图数据集上进行了大量的节点分类和图分类实验。实验结果表明，该方法取得了一致的、显著的性能增强，证明了其有效性和泛化能力。

图 1：HERALD 算法

内容中包含的图片若涉及版权问题，请及时与我们联系删除