超图学习新突破！自适应多粒度建模，性能碾压现有基线模型！
Multi-granularity Adaptive Hypergraph Representation Learning via Granular-ball
📖 AI 总结
该论文提出了一种名为MGHRL的多粒度自适应超图表示学习框架，旨在解决现有超图方法依赖预定义规则生成超边、难以适应图拓扑结构多样性的问题。该框架包含两大核心创新：一是自适应粒度超图生成策略，通过粒度球的适应性分裂在不同粒度层级自动生成超边，从而有效捕获高阶关系；二是多粒度超图网络，利用多个子网络分别提取不同粒度超边的特征，并通过层级可逆连接进行整合。实验结果表明，MGHRL在基准数据集上的性能显著优于基线模型，验证了其在自适应发现高阶关系和高效处理复杂结构信息方面的有效性。该研究为超图学习提供了一种更灵活的多粒度建模思路。
🔑 关键词速览
| Hypergraph Representation Learning | 超图表示学习，一种通过超边捕捉图中高阶关系的学习方法。 |
| Granular-ball | 粒球，一种用于自适应划分数据或图结构以生成多粒度表示的机制。 |
| Multi-granularity | 多粒度，指从不同抽象级别或尺度处理信息的能力。 |
| Adaptive Granular Hypergraph Generation | 自适应粒度超图生成，一种根据图拓扑结构动态生成超边的策略。 |
| Hierarchical Reversible Connections | 层次可逆连接，一种网络结构设计，用于在不同粒度特征之间进行信息整合。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅