​[IJCAI 2022 | 论文简读] 超图神经网络的超图结构学习

作者 | 乔剑博 编辑 | 李仲深

论文题目

Hypergraph Structure Learning for Hypergraph Neural Networks

论文摘要

超图是对实体之间的高阶关系进行编码的自然且富有表现力的建模工具。超图神经网络 (HGNN) 的几种变体用于学习超图中的节点表示和复杂关系。当前大多数方法都假设输入超图结构准确地描述了超图中的关系。然而，输入的超图结构不可避免地包含噪声、与任务无关的信息或假负例连接。将这样输入的超图结构视为真实信息不可避免地会导致性能欠佳。本文提出了一种超图结构学习（HSL）框架，它以端到端的方式同时优化超图结构和 HGNN。HSL 学习了一种信息丰富且简洁的超图结构，该结构针对下游任务进行了优化。为了有效地学习超图结构，HSL 采用两阶段采样过程：超边采样用于修剪冗余超边，事件节点采样用于修剪不相关的事件节点并发现潜在的隐式连接。由超边内对比学习模块保证优化结构与原始结构之间的一致性。

采样过程与 HGNN 共同优化，以实现下游任务的目标。在 7 个数据集上进行的实验表明，HSL 在自适应稀疏超图结构的同时优于最先进的baselines。

论文链接

https://www.ijcai.org/proceedings/2022/0267.pdf