Представлен новый метод обучения гиперграфов MGHRL

В препринте, размещенном на платформе arXiv, исследователи представили новую структуру Multi-Granularity Hypergraph Representation Learning (MGHRL), предназначенную для анализа сложных графовых структур.

Существующие методы часто используют фиксированные правила для построения гиперребер, что ограничивает адаптивное выявление связей между узлами на разных уровнях детализации. Предложенная архитектура MGHRL использует механизм адаптивного разделения гранулярных шаров (granular-ball) для генерации гиперребер различной гранулярности с учетом топологии графа.

Кроме того, фреймворк включает подсети с иерархическими обратимыми соединениями для интеграции признаков. Экспериментальные данные показали превосходство MGHRL над базовыми аналогами на стандартных бенчмарках.