weixin_40248634的博客

图学习：一般可以看作是监督的或非监督的。在监督设置下，对典型任务进行分类;即。，全图[55]标签的赋值，顶点或边分类;或link prediction中，集预测图中边的存在性。摘要超图是图的一种概括，它提供了一种框架来减少信息损失，并统一不同的基于图的方法。在本文中，我们提出了一种基于超图的建模物理系统的方法，并将超图上的顶点分类、边缘分类和链接预测问题表示为半监督设置中(扩展的、对偶的)超图上的顶点分类的实例。本文介绍了一种新的顶点和边标记超图的核方法，用于分析和学习。该方法基于小的简单超图的精确和不

Hypergraphs and Cellular Networks背景背景生物信息用超图来表示会比普通的图更加符合生物间的信息传播图1A(中间)显示了一种绘制未重定向超图的方法。超图通常投射到图中，丢失了一些信息，但使其绘制更加容易，而且其分析也符合图论中大量的方法和算法。总而言之，超图通过允许节点之间的多边关系来概括图，这通常会导致对生物过程的更精确描述。超图为生物网络的重建提供了一种重要的方法，而生物网络的潜力尚未得到充分的开发。因此，我们预期hypergraph理论在计算生物学中的应用将在不

HGNNs摘要贡献Hyperbolic Graph Neural Networks黎曼流形上的图神经网络代码：https://github.com/facebookresearch/hgnn补充知识：双曲几何：将欧几里得的第五条公设——平行公设换成了 ：过直线外一点P至少可以找到两条相异的直线，与已知直线平行。摘要受几何表示学习最近进展的鼓舞，我们提出一个新的GNN架构，该架构用可微...

Hypergraph Convolution and Hypergraph Attention摘要：贡献模型超图卷积超图Attention总结评论与之前图卷积的关系实际实现跳跃连接authors: Song Bai , Feihu Zhang , Philip H.S. Torr–Department of Engineering Science, University of Oxford,O...

HyperGCN: A New Method of Training Graph Convolutional Networks on Hypergraphs动机贡献模型：HyperGCN超图拉普拉斯1-HyperGCNHyperGCN: Enhancing 1-HyperGCN with mediatorsFastHyperGCN实验数据集baselinesHyperGCN比HGNN的优势局限...