面向大规模数据的高效超图神经网络

摘要：

高阶关联广泛存在于现实世界中,如社交网络、生物网络、交通网络等,建模及优化高阶关联对于网络属性研究和演化趋势预测具有重要意义.超图是一种灵活的数据结构,能够自然地建模高阶关联.近年来,随着深度学习的发展,基于超图建模的超图神经网络被广泛应用于面向高阶关联的表示学习.然而,现有的超图神经网络均基于直推学习范式,虽然在小规模超图数据集上取得了不错的效果,但难以应用到大规模数据上,限制了其应用范围.本文首先分析了现有超图神经网络方法在大规模数据上应用的挑战,然后针对该问题提出了面向大规模数据的高效超图神经网络方法(efficient hypergraph neural network,EHGNN).针对现有方法空间、时间复杂度过高的问题,EHGNN分别设计了超图采样模块和基于单阶段超图卷积的计算加速模块,同时降低了超图神经网络的空间开销和时间开销,使得超图神经网络适用于大规模超图数据,显著增强了可扩展性.在4个真实超图数据集上的实验结果验证了 EHGNN的有效性和高效性.

关键词：超图计算、超图神经网络、高阶关联、大规模数据、节点分类

所属期刊栏目：54

分类号：TP391.9;TB24;X141

资助基金：国家自然科学基金;国家自然科学基金;清华大学自主科研计划;北京市自然科学基金;之江实验室开放课题资助项目

在线出版日期：2024-06-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共19页

页码：853-871