Hypergraph-Knotenklassifikation mit Graph-Neuronalen Netzwerken

Hypergraphs, mit Hyperkanten, die mehr als zwei Knoten verbinden, sind entscheidend für die Modellierung höherer Interaktionen in realen Daten. Der Erfolg von Graph-Neuronalen Netzwerken (GNNs) zeigt die Fähigkeit neuronaler Netzwerke, Daten mit paarweisen Interaktionen zu verarbeiten. Dies inspiriert die Verwendung neuronaler Netzwerke für Daten mit höheren Interaktionen, was zur Entwicklung von Hypergraph-Neuronalen Netzwerken (HyperGNNs) führt. GNNs und HyperGNNs werden typischerweise als unterschiedlich angesehen, da sie für Daten in verschiedenen geometrischen Topologien entwickelt wurden. In diesem Papier zeigen wir jedoch theoretisch, dass im Kontext der Knotenklassifikation die meisten HyperGNNs mit einem GNN approximiert werden können, das eine gewichtete Clique-Erweiterung des Hypergraphs verwendet. Dies führt zu WCE-GNN, einem einfachen und effizienten Rahmenwerk, das ein GNN und eine gewichtete Clique-Erweiterung (WCE) umfasst, zur Klassifikation von Hypergraph-Knoten. Experimente an neun realen Benchmark-Datensätzen zur Knotenklassifikation zeigen, dass WCE-GNN nicht nur eine höhere Klassifikationsgenauigkeit im Vergleich zu modernen HyperGNNs aufweist, sondern auch eine überlegene Speicher- und Laufzeiteffizienz.