Hypergraph Neural Networks
1.Abstract
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。该方法设计了一种超边卷积操作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。实验结果表明,所提出的HGNN方法优于最近的先进方法。我们还可以从结果中表明,所提出的HGNN在处理多模态数据时优于现有的方法。
2.Introduction
基于图的卷积神经网络(GCN)(Kipf和Welling 2017)、(德弗拉德、布列森和范德海斯特2016)近年来引起了人们的广泛关注。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,并可用于半监督学习过程。图卷积神经网络由于其使用数据图结构的能力,与传统神经网络相比,在表示学习方面的优势
在传统的图卷积神经网络方法中,采用了数据之间的成对连接。值得