keep-real

摘要： 研究背景与问题 超图的必要性 传统图（Graph）只能建模两两关系，而超图（Hypergraph）通过超边（连接≥2节点）可捕获高阶交互（如科研合作网络、多商品组合购买行为）。 应用场景：生物物种分类、社交网络分析、推荐系统等。 现有方法的缺陷 启发式传播规则：主流方法（如HGNN, HyperGC 阅读全文

摘要： 核心问题与动机 图神经网络的局限：传统 GCN 基于简单图（Simple Graph），每条边仅连接两个节点，无法表达现实数据中更复杂的关联（如社交网络中用户的多重互动、多模态数据的跨模态联系）。 超图的优势：超图（Hypergraph）的超边（Hyperedge） 可连接任意数量的节点（如图 2 阅读全文

摘要： 1. 核心思想与动机（从基础概念入手） 1.1 什么是子图结构？ 子图是由图中部分节点和边组成的结构单元。例如，在社交网络中，一个由5个用户及其相互关注关系组成的子图，可能代表一个兴趣小组；在分子图中，一个由特定原子和化学键组成的子图，可能决定分子的生物活性。 1.2 传统GNN的局限性 传统图神经 阅读全文

摘要： 1. 研究背景与动机 图的广泛应用：图作为一种强大的数学抽象，被广泛应用于表示复杂现象，如数据依赖、社交网络、网页链接、电子邮件交互等。 局部聚类的需求：随着每天生成的数据量激增，处理整个图变得日益困难。许多应用只需处理图的一小部分，即局部聚类，这在社区检测、生物信息学网络结构发现等领域尤为重要。 阅读全文