文章目录
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/9d185142041a0f4b75a2a6e5bcb7419a.png)
摘要
超图学习是一种在超图结构上学习的方法。在本文中,我们首先系统重温了现有的超图生成方法,包括基于距离的,基于表示的,基于属性的和基于网络的方法。然后介绍超图上现存的学习方法包括transductive hypergraph learning, inductive hyper graph learning,超图结构更新以及多模态超图学习。
引言
超图是一种泛化的图结构,包含一组节点和超边。不同于简单图一条边包含两个节点,超边可以包含任意数量的节点。与只能建模对级连接关系的图结构相比,超图在建模复杂关系时具有显著优势。比如说,在一张超图中,节点表示研究者,超边表示多个作者共同署名的文章。这样,研究者之间合作关系越紧密,他们之间的超边就越多。
超图学习与图学习紧密相关,因为超图是一种泛化的图结构。类似于图学习,超图上的学习也可以看作在超图结构上的信息传播。从这个角度来说,图学习是超图学习的一个特例。不同于图学习,超图学习模型探索数据中的高阶关系,因此有更好的效果。
先前的超图学习方法有两个主要缺点。其一,构建的超图不是最优的,因此不能很好适配数据。其二,计算复杂度大,尤其当超图结构同时更新时,更为严重,很难扩展到大规模数据中。