Eine Umfrage zu Hypergraph-Neuronalen Netzen: Ein umfassender und Schritt-für-Schritt-Guide

Höhere Interaktionen (HOIs) sind allgegenwärtig in komplexen Systemen und Anwendungen der realen Welt, und somit ist die Untersuchung von Deep Learning für HOIs zu einer wertvollen Agenda für die Datenanalyse- und Maschinenlerngemeinschaften geworden. Da Netzwerke von HOIs mathematisch als Hypergraphen ausgedrückt werden, haben sich hypergraph-neuronale Netze (HNNs) als leistungsstarkes Werkzeug für das Repräsentationslernen auf Hypergraphen etabliert. Angesichts des aufkommenden Trends präsentieren wir die erste Umfrage, die den HNNs gewidmet ist, mit einem umfassenden und Schritt-für-Schritt-Guide. Im Großen und Ganzen gibt die vorliegende Umfrage einen Überblick über HNN-Architekturen, Trainingsstrategien und Anwendungen. Zuerst zerlegen wir bestehende HNNs in vier Entwurfskomponenten: (i) Eingangsmerkmale, (ii) Eingangsstrukturen, (iii) Nachrichtenübertragungsmechanismen und (iv) Trainingsstrategien. Zweitens untersuchen wir, wie HNNs HOIs mit jeder ihrer Komponenten adressieren und lernen. Drittens geben wir einen Überblick über die aktuellen Anwendungen von HNNs in der Empfehlung, biologischen und medizinischen Wissenschaft, Zeitreihenanalyse und Computer Vision. Schließlich schließen wir mit einer Diskussion über Einschränkungen und zukünftige Richtungen.