[論文レビュー] Heterophily-Agnostic Hypergraph Neural Networks with Riemannian Local Exchanger

Li Sun, Ming Zhang+6 more|arXiv (Cornell University)|Feb 28, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

HealHGNNはロビン境界条件とソース項に基づく適応的局所ヒート交換機構を用いたヘテロフィリティを前提としないハイパーグラフニューラルネットワークを提案し、同質・異質ハイパーグラフの双方で強い性能と線形計算量を達成します。

ABSTRACT

Hypergraphs are the natural description of higher-order interactions among objects, widely applied in social network analysis, cross-modal retrieval, etc. Hypergraph Neural Networks (HGNNs) have become the dominant solution for learning on hypergraphs. Traditional HGNNs are extended from message passing graph neural networks, following the homophily assumption, and thus struggle with the prevalent heterophilic hypergraphs that call for long-range dependence modeling. In this paper, we achieve heterophily-agnostic message passing through the lens of Riemannian geometry. The key insight lies in the connection between oversquashing and hypergraph bottleneck within the framework of Riemannian manifold heat flow. Building on this, we propose the novel idea of locally adapting the bottlenecks of different subhypergraphs. The core innovation of the proposed mechanism is the design of an adaptive local (heat) exchanger. Specifically, it captures the rich long-range dependencies via the Robin condition, and preserves the representation distinguishability via source terms, thereby enabling heterophily-agnostic message passing with theoretical guarantees. Based on this theoretical foundation, we present a novel Heat-Exchanger with Adaptive Locality for Hypergraph Neural Network (HealHGNN), designed as a node-hyperedge bidirectional systems with linear complexity in the number of nodes and hyperedges. Extensive experiments on both homophilic and heterophilic cases show that HealHGNN achieves the state-of-the-art performance.

研究の動機と目的

• 同質・異質の双方が存在するハイパーグラフ上での学習を動機づけ、HGNNにおける過度平滑化と過度圧縮を解決する。
• サブハイパーグラフ構造に局所的に適応する統一的な幾何情報に基づくメッセージ伝搬機構を開発する。
• 情報の流れを均衡させ、特徴を保つためのAdaptive Local Exchanger（Robin型境界制御とソース項を組み合わせる）を提案する。
• 線形計算量を持つノード-ハイパーエッジ双方向モデル、HealHGNNを創出し、大規模学習を可能にする。
• スペクトル特性、ボトルネック、エネルギー動態とヘテロフィリティを前提としない伝播の理論的保証を提供する。

提案手法

• ハイパーグラフ拡散をリーマン幾何の熱流として定式化し、ボトルネックと過度圧縮をスペクトルギャップと結びつける。
• ロビン境界条件を介して適応的な局所交換機を導入し、サブハイパーグラフ間の情報フ fluxを制御する。
• ソース項を介してエネルギー注入を組み込み、ノード特徴の差異を保持し過度平滑化を防ぐ。
• ノードとハイパーエッジの伝搬を結びつけ、学習可能な境界・結合パラメータを持つ双方向拡散系を形成する。
• ノードごと、Jacobi反復風の更新を導出し、ノードとハイパーエッジの計算量を線形とする。
• ラプラシアンと双方向転送演算子（P_V→V, P_E→V など）を用いた、クリーンなノード/ハイパーエッジ更新式を提供する。

Figure 1 . (A). Traditional dynamics in HGNN. (B). Illustration of our adaptive heat exchanger; bd denotes boundary nodes.

実験結果

リサーチクエスチョン

• RQ1 RQ1: HealHGNNは大規模な同質・異質ハイパーグラフの双方に対応できるか？
• RQ2 RQ2: アプローチは長距離伝搬を可能にしつつ過剰圧縮を緩和できるか？
• RQ3 RQ3: 深い層を積み重ねたとき過度平滑化を緩和できるか？
• RQ4 RQ4: 提案されたRobin境界とソース項の要素は性能にどれほど重要か？

主な発見

• HealHGNNは同質ハイパーグラフで競争力のある結果を達成し、異質ハイパーグラフでは明確な利得を示す。
• SenateデータセットではHealHGNNが第2位の手法より5%の差で上回った。
• 本モデルは多様な実世界データや異質ハイパーグラフ全体で最先端またはほぼ最先端の性能を示す。
• 実験結果はヘテロフィリティ前提の設計を支持し、局所的特徴を損なわず長距離依存性を捉えることを検証する。
• ノードとハイパーエッジの数に対して線形計算量でスケールするため、大規模なハイパーグラフ学習を可能にする。

Figure 2 . Overall architecture of the proposed heat kernel based hypergraph neural network.