27
0
2026-06-05
2026-06-05
文章標(biāo)題：異配性自適應(yīng)感知增強(qiáng)的超圖神經(jīng)網(wǎng)絡(luò)
錄用期刊：計(jì)算機(jī)研究與發(fā)展 （計(jì)算領(lǐng)域高質(zhì)量期刊分級(jí)目錄T1類）
文章摘要：由于同一超邊連接的節(jié)點(diǎn)更容易具有不同類別，超圖常常表現(xiàn)出明顯的異配性.這使得傳統(tǒng)基于同配性假設(shè)的超圖神經(jīng)網(wǎng)絡(luò)難以有效聚合鄰域信息，也難以捕獲長(zhǎng)距離的相似性依賴關(guān)系，導(dǎo)致次優(yōu)的超圖表示學(xué)習(xí)性能.針對(duì)該問(wèn)題，提出一種異配性自適應(yīng)感知增強(qiáng)的超圖神經(jīng)網(wǎng)絡(luò)HHNN（Heterophily Hypergraph Neural Networks），其采用Transformer和圖卷積網(wǎng)絡(luò)GCN（Graph convolutional networks）并行雙分支結(jié)構(gòu).Transformer分支引入競(jìng)爭(zhēng)自適應(yīng)位置編碼（Competitive Adaptive Positional Encoding，CAPE）模塊，可以動(dòng)態(tài)學(xué)習(xí)節(jié)點(diǎn)間語(yǔ)義位置偏差，以捕獲遠(yuǎn)距離但語(yǔ)義相關(guān)的節(jié)點(diǎn)特征信息.GCN分支則通過(guò)異配感知特征聚合（Heterophily-aware Feature Aggregation，HFA）模塊顯式建模節(jié)點(diǎn)與超邊之間的高階結(jié)構(gòu)相關(guān)性，并依據(jù)節(jié)點(diǎn)特征與超邊異配強(qiáng)度實(shí)現(xiàn)差異化的局部鄰域特征聚合.在真實(shí)超圖和合成超圖數(shù)據(jù)集進(jìn)行大量實(shí)驗(yàn)，結(jié)果表明HHNN在節(jié)點(diǎn)分類準(zhǔn)確性、表征魯棒性及運(yùn)行效率方面均優(yōu)于現(xiàn)有代表性方法.
HHNN方法框架
