Enquête sur les modèles basés sur les hypergraphes et superhypergraphes : apprentissage profond, allocation de ressources, sélection de caractéristiques, cohomologie persistante basée sur les hypergraphes, recommandation et exploitation de données.

La théorie des graphes étudie les structures mathématiques des sommets et des arêtes pour modéliser les relations et la connectivité. Les hypergraphes étendent ce cadre en permettant aux hyperarêtes de connecter un nombre arbitraire de sommets à la fois, et les superhypergraphes généralisent encore davantage les hypergraphes via des constructions de puisssets itérées pour capturer les liaisons hiérarchiques entre les arêtes. De nombreuses études ont été menées sur des concepts tels que l'apprentissage profond, l'allocation de ressources, la sélection de caractéristiques, la cohomologie persistante basée sur les hypergraphes, la recommandation basée sur les graphes et l'exploitation de données dans les contextes des graphes et des hypergraphes, mais la recherche dans le contexte des superhypergraphes a été relativement limitée. Pour combler cette lacune, cet article examine les équivalents de l'apprentissage profond, de l'allocation de ressources, de la sélection de caractéristiques, de la cohomologie persistante basée sur les hypergraphes, de la recommandation basée sur les graphes et de l'exploitation de données dans le cadre des superhypergraphes.