1.超图基础概念

传统的图网络结构，两点之间就可以引入一条边链接；

但在某些特定的领域，一条边可能链接的不止两个点，我们便引入了超图
比如：同一个班级，一个班级可以连接很多个学生；一个IP下有很多个用户，我们可以用超边来表示这个班级或这个IP；
一个超图可以拥有任意数量的节点，如果所有超边都连接两个节点那么就退化为简单图；

2.多模态的超图构建

面对多模态的场景：可以做视觉连接，文本连接和社交连接，所以将这些放入到超图结构中去解决的时候会比简单图简单很多

那么，多模态数据下如何构建超图如何利用算法去求得节点特征的呢？

g r o u p 1 group1 group1是一个模态的超图， g r o u p N group N groupN是另一个模态的图，将多个模态拼接到一起，构建多模态超图；
超图数据形式如上图:行是超边、列是节点；有连接则为1，否则为0；
W是每一个超边被赋予的权值，初始化W为一个单位阵，意味着所有超边的权重都是相同的，W可以根据模型去训练，也可以固定为单位阵；

2.1节点的度：

2.2超边的度：

2.3更新公式：

GCN的更新公式：

超图的更新公式：

D v D_v Dv是超边的度矩阵；
D e D_e De是顶点的度矩阵；
W W W是权重矩阵；
H H H是超图的邻接矩阵；
X ( l ) X^{(l)} X(l)是节点第L层的特征；
θ ( l ) \theta^{(l)} θ(l)是全连接层；（对 X ( l ) X^{(l)} X(l)进行特征转换）

举个实际的例子：

第一步：因为 θ ( l ) \theta^{(l)} θ(l)是个可训练参数，先不去看 θ ( l ) \theta^{(l)} θ(l)；
第二步： D v − 1 / 2 D_v^{-1/2} Dv−1/2 D e − 1 D_e^{-1} De−1 D v − 1 / 2 D_v^{-1/2} Dv−1/2是归一化操作也可先不看他们；
第三步：构建超边特征： H T H^T HT X X X是将超边邻居节点都聚合到超边上（求和）
第四步：节点特征更新： H ∗ H* H∗ H T H^T HT X X X
第五步：利用 D v − 1 / 2 D_v^{-1/2} Dv−1/2 D e − 1 D_e^{-1} De−1 D v − 1 / 2 D_v^{-1/2} Dv−1/2完成归一化操作；
注：需要训练的参数，前部分的时候可以把他们看成固定的值

GCN与HGNN虽然计算出来的值有一定的差别，但是他们本质上的思想是差不多的，GCN可以说是一种特殊的HGNN

3.实验：

1.Cora引文数据集，超图结构与原始结构很相似，并没有加入更多的信息，所以效果提升的比较少；

2.视觉分类任务：
本质上是一种无图结构，作者每次选择数据集的一个节点，利用其在所选特征空间中的10个最近邻生成一个包括改节点本身的超边；

3.ModelNet40：

4.总结

超图结构能够表达复杂的、高阶的数据之间的相关性，与图结构或无图结构的方法相比，能更好的表示底层数据之间的关系。此外，当多模态数据\特征可用时，HGNN具有通过其灵活的超边将这些多模态信息结合在同一结构中的优势；

超图神经网络（HGNN）相关推荐

图神经网络(GCN)与超图神经网络(HGN)：区别与联系
先放论文: 图神经网络(GCN): https://arxiv.org/pdf/1606.09375.pdfhttps://arxiv.org/pdf/1606.09375.pdf 超图神经网络(HG ...
PyG (PyTorch Geometric) 异质图神经网络HGNN
诸神缄默不语-个人CSDN博文目录 PyTorch Geometric (PyG) 包文档与官方代码示例学习笔记(持续更新ing-) 本文介绍使用PyG实现异质图神经网络(HGNN)的相关操作. 本文 ...
Hypergraph Neural Networks HGNN
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 ...
对“超图学习”相关优势及适用范围的学习及整理
主要参考的文献为高跃老师实验室发表的多篇论文,以及最新的超图相关论文: [1] Yifan Feng, Haoxuan You, Zizhao Zhang, Rongrong Ji, Yue Gao, ...
2019_AAAI_Hypergraph neural networks
[论文阅读笔记]2019_AAAI_Hypergraph neural networks 论文下载地址: https://deepai.org/publication/hypergraph-neura ...
You're AllSet! 以多重集函数角度重新检视超图GNN
来源:深度学习与图网络本文约1700字,建议阅读5分钟本文针对超图神经网络提出了一个泛用的框架AllSet. 文章信息: Title: You are AllSet: A Multiset Lea ...
(HGNN) Hypergraph Neural Networks
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 ...
干货！基于神经网络的多粒度图表征学习
点击蓝字关注我们 AI TIME欢迎每一位AI爱好者的加入! 图是建模实体与实体之间关系的常用数据结构.近年来,图数据挖掘引起了学术界和工业界广泛的关注,如分类.聚类等等.然而图相似度学习这一任务却 ...
[HyperGraph专题]HGNN+:General Hypergraph Neural Networks
最近在做和超图相关的工作,自己主要偏编码的工作,但在敲代码和参考其他现有超图库的过程中发现了一个叫DeepHypergrah的库,里面涉及了很多和深度学习相关的内容,用到了pytorch.scipy. ...

超图神经网络（HGNN）