超图表示学习新框架：破解非均匀超边与异质交互难题！
Hypergraph Representation Learning with Hyperlink Random Effects
📖 AI 总结
本文提出一种基于超链接随机效应的超图表示学习框架，旨在解决现有方法的三类局限：多数深度模型未显式利用潜在低秩结构，导致表示缺乏简约性与可解释性；基于张量的低秩方法通常要求超链接尺寸统一，难以适用于非均匀超图；以及许多方法忽视了超链接形成机制的异质性。该框架在保留实体交互模式的同时，引入超链接随机效应以刻画潜在异质性，并建立了参数可识别性与表示层面恢复的理论保证。作者研究了类别型、高斯混合型和基于得分型三种随机效应设定，并给出相应估计算法。模拟实验验证了方法在恢复潜在结构和捕捉异质交互模式上的有效性，真实超图数据集上的实证结果进一步表明其实际应用价值。
🔑 关键词速览
| 超图（Hypergraph） | 一种图结构，其边（超边）可以连接任意数量的顶点，用于表示实体间的多路交互关系。 |
| 超边随机效应（Hyperlink Random Effects） | 在超边形成过程中引入的随机变量，用于建模由未观测异质机制导致的潜在变异。 |
| 低秩结构（Low-rank Structure） | 指数据矩阵或张量可以用低秩分解近似表示的性质，有助于降维、去噪和提升可解释性。 |
| 可识别性（Identifiability） | 模型参数能够被唯一确定的理论性质，即不同参数值产生不同观测分布。 |
| 表示级恢复（Representation-level Recovery） | 指从观测数据中准确恢复出潜在表示（如节点嵌入）的理论保证。 |
📱 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