Hypergraph Neural Network, AAAI, 2019.

最新推荐文章于 2024-06-18 18:54:57 发布
最新推荐文章于 2024-06-18 18:54:57 发布
阅读量2.4k 收藏 7
点赞数 2
分类专栏： 论文阅读 文章标签： 机器学习 图论 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42711189/article/details/115276464
版权
本文提出了一种名为Hypergraph Neural Network (HGNN) 的框架，该框架利用超图结构处理复杂数据相关性和多模态信息。与传统图卷积网络（GCN）相比，HGNN能更好地捕捉高阶数据关联，通过超边卷积操作提高表示学习的效果。实验在引文网络分类和视觉对象识别任务上验证了 HGNN 的优越性能，证明了它在处理多模态数据时的高效性。
摘要由CSDN通过智能技术生成

Hypergraph Neural Network, AAAI, 2019.

Feng Y, You H, Zhang Z, et al. Hypergraph neural networks[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2019, 33(01): 3558-3565.

本文提出的HGNN将复杂数据相关性表述为超图结构，并设计了超边卷积操作，以更好地利用高阶数据相关性进行表示学习。更具体地说，HGNN是一个通用框架，它可以合并多模态数据和复杂的数据相关性。传统的图卷积神经网络可以看作是HGNN的一个特例。为了评估提出的HGNN框架的性能，进行了引文网络分类和视觉对象识别任务的实验。在4个数据集上的实验结果以及与图卷积网络(GCN)等传统方法的比较表明，HGNN具有更好的性能。这些结果表明，本文提出的HGNN方法在学习使用高阶复杂关联表示的数据时更加有效。

本文创新点如下：

  1. 提出一个超图神经网络框架，即HGNN，用于使用超图结构进行表示学习。HGNN能够通过其超图结构表达复杂的、高阶的数据相关性。并且使用超边卷积操作有效地处理多模态数据/特征。此外，GCN (Kipf和Welling 2017)可以看作是HGNN的一种特殊情况，其简单图中的边可以看作是仅连接两个顶点的2阶超边。
  2. 该模型在引文网络分类和视觉对象分类任务方面进行了广泛的实验。与最先进的方法的比较证明了所提出的HGNN框架的有效性。实验表明，该方法在处理多模态数据时具有较好的性能。
最低0.47元/天 解锁文章
The Learning route of GNN
SimonChen
10-15 548
The Learning route of GNN CHEN JIE Note：图神经网络的相关实战教程及其缺乏，如有看到相关内容，可以添加到群在线文档之中。 图神经网络基础知识 台大李宏毅的GNN课（很通俗易懂，较为推荐） 链接：(1/2) https://www.youtube.com/watch?v=eybCCtNKwzA&ab_channel=Hung-yiLee ​ (2/2)https://www.youtube.com/watch?v=M9ht8vsVEw8&t=1
【论文阅读】Hypergraph Neural Networks
qq_43955154的博客
11-30 1985
Hypergraph Neural Networks超图学习部分超图上的谱卷积超图的傅里叶变换超图上的卷积分析实现实验引文网络分类视觉对象识别 超图学习部分 定义超图G=(V,E,W)\mathcal{G=(V,E,}W)G=(V,E,W)，分别代表顶点、超边、权重。 超图可以用关联矩阵HHH来表示： h(n,θ)={1,if v∈e0,otherwiseh(n,\theta) = \begin{cases} 1, & \text{if } v\in e\\ 0, & \te
(HGNN) Hypergraph Neural Networks
weixin_45840199的博客
02-10 2810
提出了一个用于数据表示学习的超图神经网络（HGNN）框架，它可以在超图结构中编码高阶数据相关性。面对在实际实践中学习复杂数据表示的挑战，我们建议将这种数据结构合并到超图中，这在数据建模上更加灵活，特别是在处理复杂数据时。该方法设计了一种来处理表示学习过程中的数据相关性。这样，传统的超图学习过程就可以有效地使用超边卷积运算来进行。HGNN能够学习考虑高阶数据结构的隐藏层表示，这是一个考虑复杂数据相关性的通用框架。我们进行了引文网络分类和视觉目标识别任务的实验，并将HGNN与图卷积网络等传统方法进行了比较。
论文笔记：AAAI 2019 Hypergraph Neural Networks
qq_44015059的博客
10-03 1万+
1. 前言 论文链接：http://gaoyue.org/paper/HGNN.pdf github：https://github.com/iMoonLab/HGNN 在本文中提出了一个用于数据表示学习的超图神经网络(HGNN)框架，它可以在超图结构中编码高阶数据相关性。面对在实践中学习复杂数据表示的挑战，特别是在处理复杂数据时，超图在数据建模方面更加灵活。该方法设计了超边卷积运算来处理表示学习过程中的数据相关性。通过这种方法，可以有效地利用超边卷积运算来进行传统的超图学习。HGNN能够学习考虑到高阶数据结
超图神经网络 Hypergraph Neural Networks
目睹闰土刺猹的瓜的博客
04-26 8777
论文出处：AAAI 2019 论文写作单位：1. 清华大学 2. 北京国家信息科学技术研究中心 3.厦门大学 论文关键字：超图神经网络（Hypergraph Neural Network） 图卷积网络（Graph Convolutional network） Code：GitHub - iMoonLab/HGNN: Hypergraph Neural Networks (AAAI 2019) 第一部分: 摘要 第1句：总体概括本论文所提出的方法—超图神经网络（HGNN）数据表示学习框...
Hypergraph Neural Networks超图神经网络
qq_42217335的博客
10-13 7094
摘要：提出了一种超图表示学习的超图卷积网络，包括一种新的超图卷积操作来挖掘用户之间的关系。 引言：图神经网络可以使用数据图结构，编码不同数据。
Hypergraph Neural Networks笔记
ZG
11-23 1149
本文提出了一种用于数据表示学习的超图神经网络（hypergraph neural networks，HGNN）框架，它可以将高阶数据相关性编码在超图结构中。在这种方法中，设计了一种超边卷积运算来处理表示学习过程中的数据相关性，这样，传统的超图学习过程可以有效地使用超边卷积运算来进行。HGNN在多模态上表现良好现实世界的关系比成对链接（图）复杂的多，研究更好、更通用的数据结构模型来学习表示就非常重要和迫切。本文提出了一种基于超图结构的超图神经网络（HGNN）模型框架。
【论文解读|AAAI2021】HGSL - Heterogeneous Graph Structure Learning for Graph Neural Networks 图神经网络的异构图结构学习
qq_36291847的博客
04-22 9153
文章目录摘要二级目录三级目录 论文链接： 代码链接： 作者：北京邮电大学等人 摘要 异构图神经网络近年来受到越来越多的关注，并在许多任务中取得了优异的性能。现有人类神经网络的成功依赖于一个基本假设，即原始的异构图结构是可靠的。然而，这种假设通常是不现实的，因为现实中的异构图不可避免地会有噪声或不完整。因此，学习异构图结构对于人类神经网络而言至关重要，而不是仅仅依赖原始图结构。鉴于此，我们首次尝试为神经网络学习一个最优的异构图结构，并提出了一个新的框架HGSL，它联合执行异构图结构学习和GNN参数学习进行分类
AAAI 2022 论文列表
热门推荐
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
2019_AAAI_Hypergraph neural networks
weixin_46645827的博客
01-21 3264
[论文阅读笔记]2019_AAAI_Hypergraph neural networks 论文下载地址： https://deepai.org/publication/hypergraph-neural-networks 发表期刊：AAAI Publish time: 2019 作者及单位: Yifan Feng,1 Haoxuan You,3 Zizhao Zhang,3 Rongrong Ji,1,2 Yue Gao3∗ 1Fujian Key Laboratory of Sensing and Co
[论文笔记] 2019-AAAI-Hypergraph Neural Networks
weixin_46448399的博客
03-31 1009
本文提出了一种用于数据表示学习的超图神经网络（HGNN）)框架，该框架可以在超图结构中编码高阶数据相关性。该方法设计了超边卷积运算来处理表示学习过程中的数据相关性，能够学习考虑高阶数据结构的隐层表示，是考虑复杂数据相关性的通用框架。对引文网络分类和视觉目标识别任务进行了大量实验，实验结果表明，本文提出的HGNN方法优于目前最先进的方法，同时在处理多模态数据时具有更好的性能。传统图卷积神经网络方法应用数据之间成对的连接，但在实际场景中超过成对连接，甚至更复杂。社交媒体数据中，数据之间复杂的关系如图1所示。
超图论文细品——2019年AAAI《Hypergraph Neural Networks》
最新发布
PursueLuo的博客
06-18 3246
文章提出了一种名为超图神经网络的框架，用于高维数据的表示学习。该方法英文称呼为 Hypergraph Neural Networks，简写为HGNN。
HyperGCN: 超图神经网络
weixin_44370695的博客
08-16 3124
基于超图的半监督学习 超图上的卷积： 超图上的拉普拉斯： 对于每一条超边eee，可以弹出一对顶点 (ie,je)=argmaxi,j∈e∣Si−Sj∣(i_{e},j_{e})=argmax_{i,j\in e}|S_{i}-S_{j}|(ie​,je​)=argmaxi,j∈e​∣Si​−Sj​∣ 然后正则化Laplacian计算为： L=(I−D−12ASD−12)S\mathbb{L}=(I-D^{-\frac{1}{2}}A_{S}D^{-\frac{1}{2}})SL=(I−D−21​AS​D
【论文阅读】Semi-Dynamic Hypergraph Neural Network for 3D Pose Estimation，IJCAI-20
shuijiaobuzhundahulu的博客
08-08 651
一、摘要：同时利用人体树形结构和链式结构创建超图，进而使用超图卷积进行三维人体姿态估计。 二、简介：基于图像的三维人体姿态估计需要大量标注信息和计算资源，基于2D pose的直接回归方法缺乏图像线索；近年基于图卷积GCN的方法仅考虑相邻关节点的信息，但人体的链式结构使得非相邻关节点也有重要信息。因此，用超图重新表示人体。 贡献点： （1）将人体表示为超图，包括固定关节点关系的静态超图和根据输入2D pos调整的半动态超图。 （2）提出依据关节点之间距离大小，进行人体超图的构建方式。 （3）实验结果
Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation
ZZZ___bj的博客
05-16 6376
摘要： 在推荐系统中，当用户-物品交互数据比较稀疏时，通常使用社会关系来提高推荐质量。大多数现有的社交推荐模型利用成对关系来挖掘潜在的用户偏好。然而，现实生活中用户之间的互动非常复杂，用户关系可能是高阶的。Hypergraph提供了一种自然的方法来建模复杂的高阶关系，而它在改善社会推荐方面的潜力还有待开发。在本文中，我们填补了这一空白，提出了一个多通道超图卷积网络，利用高阶用户关系来增强社交推荐。从技术上讲，网络中的每个通道都通过超图卷积来编码一个超图，该超图描绘了一个常见的高阶用户关系模式。通过聚合多个渠
对“超图学习”相关优势及适用范围的学习及整理
Jing Sir的博客
04-02 5112
主要参考的文献为高跃老师实验室发表的多篇论文，以及最新的超图相关论文； [1]Yifan Feng, Haoxuan You, Zizhao Zhang, Rongrong Ji, Yue Gao, Hypergraph Neural Networks, AAAI, 2019. [2] Jianwen Jiang, Yuxuan Wei, Yifan Feng, Jingxuan Cao, Yue Gao, Dynamic Hypergraph Neural Networks, IJCAI, 2.
Dynamic Hypergraph Neural Networks, IJCAI, 2019
Jing Sir的博客
03-30 2409
Dynamic Hypergraph Neural Networks, IJCAI, 2019 Jiang J, Wei Y, Feng Y, et al. Dynamic Hypergraph Neural Networks[C]//IJCAI. 2019: 2635-2641. 在神经网络模型中，由网络深层生成的嵌入特征具有初始结构无法捕获的高阶关系。现有的基于图或超图的神经网络的主要缺点是只采用初始的图或超图结构，而忽略了训练过程中通过调整特征嵌入动态修改图或超图结构。本文提出了一个动态超图神经网
什么是超图（Hypergraph）网络？
qq_43047410的博客
12-17 1万+
一、超图（Hypergraph）概念 首先，对于超图的严格数学定义，维基百科上是这样写的： In mathematics, a hypergraph is a generalization of a graph, where an edge can connect any number of vertices. Formally, a hypergraph H is a pair H = (X,E) where X is a set of elements,...
超图神经网络（HGNN）
weixin_45636780的博客
11-30 1万+
HGNN解读
HGNN-超图神经网络
2301_78731684的博客
12-11 1396
在人工智能领域，神经网络已经成为了最强大的工具之一。然而，传统的神经网络模型，如全连接神经网络（FCNN）和卷积神经网络（CNN），虽然非常有效，但也有其限制。在这种情况下，一种新型的神经网络模型——HGNN（Hierarchical Graph Neural Network）出现了。HGNN通过打破传统的神经网络架构，实现了更高效、更灵活的计算能力，成为近年来研究的热点之一。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值