论文笔记：DynamicHypergraphNeuralNetworks

一、作者发现的问题：graph(为了区别图像image) 的 NN (neural networks) 只使用的graph/Hypergraph 初始的图结构，忽略了训练过程中的特征嵌入问题。
​

**二、解决方法：**提出了新的超图模型DHGNN=DHG(超图结构)+HGC(超图卷积）

1.DHG模块： 先根据k-means聚类X，即预先处理X，方便建模。(k-means处理X流程)

1.1 k-means聚类算法（k均值算法）

原理：它是以欧式距离为计算标准。比如：计算的2个特征之间的欧式距离越近，算法就认为2者相似度越接大。最后把距离大小相似的归为一类。

核心算法：这是一种迭代求解的聚类分析算法。人为随机选取k个对象作为初始的聚类中心——人为规定分为k类（k个族群）；算法开始计算每个对象与这k个聚类中的欧氏距离，按照原理把每个对象分配给距离最近的聚类中心点；每次分配完都会重新根据现在所有对象再计算一次聚类中心点，直到满足终止条件。

**终止条件：**没有（或最小数目）对象被重新分配给不同的聚类——重新聚类时可能没有或者人为设定阈值（比如5个）数量的对象被由1类划到2类；没有（或最小数目）聚类中心再发生变化；误差平方和局部最小。

算法实现步骤：

1. 首先，确定分为几类，确定k值。

2. 之后，在所有对象X中随机选取k个对象作为聚类中心。

3. 计算每个对像与这k个聚类中心的欧式距离，这些对象距离那个聚类中心近，就归为哪一类。

4. 等待整个对象群X都分完k类后，重新计算每个类的聚类中心，并判断现在新的聚类中心与原来的相比是否小于设置的阈值（误差平方和），若是，算法继续，反之终止。

5. 继续计算欧式距离以及之后的步骤。

以k=2为例(一眼看出可以分为2类)图解：

随机选择了两个k类所对应的类别质心，即图中的红色质心和蓝色质心，然后分别求样本中所有点到这两个质心的距离，并标记每个样本的类别为和该样本距离最小的质心的类别，如图c所示，经过计算样本和红色质心和蓝色质心的距离，我们得到了所有样本点的第一轮迭代后的类别。此时我们对我们当前标记为红色和蓝色的点分别求其新的质心，如图d所示，新的红色质心和蓝色质心的位置已经发生了变动。图e和图f重复了我们在图c和图d的过程，即将所有点的类别标记为距离最近的质心的类别并求新的质心。最终我们得到的两个类别如图f。【图例转自https://www.cnblogs.com/txx120/p/11487674.html】

1.2 超边构造——超图结构
是以常见的k-NN方式构造超边，不过本位中是以每个顶点u相邻近的k-1个顶点组成一条超边（在别的文章中是k个邻近点）——这条超边包含k个顶点，如figure2中，每条超边有8个顶点。表示一个超边包含的顶点集；表示包含顶点u的所以超边的集合。

C o n ( e ) = { u 1 , u 2 , ⋯   , u M e } Con(e)=\{u_1,u_2,\cdots,u_{M_e}\} Con(e)={u1​,u2​,⋯,uMe​​}
A d j ( u ) = { e 1 , c 2 , ⋯   , c k u } Adj(u)=\{e_1,c_2,\cdots,c_{k_u}\} Adj(u)={e1​,c2​,⋯,cku​​}

相应的算法：

2.HGC模块：这部分是由2个子模块构成CV(vertices convolution)、HEC(Hypergrahp convolution)

2.1CV :顶点卷积把顶点的特征聚类到对应的超边中去（这些超边包含对应顶点特征）

​ $$T=MLP(X_u)$$
$$x_e=conv(T\cdot MLP(X_u))$$

2.2HEC：根据顶点卷积做法，最终结果是要把点分类，故还需要一步：边——顶点。这就是超边卷积所做的，把超边特征聚类到新的聚类中心点上。

利用神经网络的激活函数获得新的权重：$w=softmax(x-eW+b)$

$$X_u=\sum _{i=0}^{\Vert Adj(u)\Vert }{w}^i{x}_e^i$$

相关知识参考https://www.zybuluo.com/hanbingtao/note/433855

2.3相应算法

3.模型构建完成、实验

实验我没做，有时间完成实验再来补齐。