Hypergraph Neural Networks HGNN论文阅读
【摘要】在本文中,我们提出了一个用于数据表示学习的超图神经网络(HGNN)框架
①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,我们建议将这种数据结构纳入超图中,特别是在处理复杂数据时,超图在数据建模方面更加灵活。②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构的隐含层表示,这是考虑复杂数据相关性的通用框架。
③我们进行了引文网络分类和视觉对象识别任务的实验,并将HGNN与图卷积网络等传统方法进行了比较。实验结果表明,本文提出的HGNN方法优于最新的方法。从结果中我们还可以看出,与现有方法相比,提出的HGNN在处理多模态数据时具有优越性。
1、与传统的卷积神经网络不同,图卷积能够使用神经网络模型对不同输入数据的图结构进行编码,可用于半监督学习过程中。图卷积神经网络利用数据图结构的能力使其在表示学习方面比传统神经网络表现出了优越性
2、传统的图卷积神经网络方法采用数据之间的成对连接。需要指出的是,实际中的数据结构可能超出了成对连接的范围,甚至要复杂得多。面对使用多模态数据的场景,数据关联建模的情况可能会更加复杂。