[論文レビュー] Hypergraph Convolutional Networks via Equivalency between Hypergraphs and Undirected Graphs

Jiying Zhang, Fuyang Li+5 more|arXiv (Cornell University)|Mar 31, 2022

Advanced Graph Neural Networks被引用数 9

ひとこと要約

本稿では、一般化ハイパーグラフと無向グラフの間の同値性を2段階のランダムウォークによって確立することで、従来のグラフ畳み込みニューラルネットワーク（GCNN）がエッジ依存型（EDVW）およびエッジ独立型（EIVW）頂点重み付きハイパーグラフの両方を処理できる統合フレームワークである一般化ハイパーグラフスペクトラル畳み込み（GHSC）を提案する。この手法は、ソーシャルネットワーク、ビジョン、バイオインフォマティクスの多様なベンチマークで最先端の性能を達成する。

ABSTRACT

As a powerful tool for modeling complex relationships, hypergraphs are gaining popularity from the graph learning community. However, commonly used frameworks in deep hypergraph learning focus on hypergraphs with edge-independent vertex weights (EIVWs), without considering hypergraphs with edge-dependent vertex weights (EDVWs) that have more modeling power. To compensate for this, we present General Hypergraph Spectral Convolution (GHSC), a general learning framework that not only handles EDVW and EIVW hypergraphs, but more importantly, enables theoretically explicitly utilizing the existing powerful Graph Convolutional Neural Networks (GCNNs) such that largely ease the design of Hypergraph Neural Networks. In this framework, the graph Laplacian of the given undirected GCNNs is replaced with a unified hypergraph Laplacian that incorporates vertex weight information from a random walk perspective by equating our defined generalized hypergraphs with simple undirected graphs. Extensive experiments from various domains including social network analysis, visual objective classification, and protein learning demonstrate the state-of-the-art performance of the proposed framework.

研究の動機と目的

• 深層ハイパーグラフ学習におけるエッジ依存型頂点重み付き（EDVW）ハイパーグラフのための厳密なフレームワークの欠如に対処すること。
• 従来のグラフ畳み込みニューラルネットワーク（GCNN）とハイパーグラフ学習の間のギャップを埋め、EDVWおよびEIVWハイパーグラフの両方への直接適用を可能にすること。
• ランダムウォークの観点から頂点重み情報を統合する理論的裏付けのある統合ラプラシアンを構築すること。
• 提案されたフレームワークの一般化可能性と多様な実世界の分野における有効性を実証すること。

提案手法

• 2段階のランダムウォークプロセスを介してエッジ依存型頂点重み（EDVW）を組み込む一般化ハイパーグラフモデルを定義する。
• 一般化ハイパーグラフと同等の重み付き無向グラフとの間の同値条件を確立し、標準的なGCNNの使用を可能にする。
• ランダムウォークから頂点重み情報を統合した統合ハイパーグラフラプラシアンを導出する。このラプラシアンは、GCNNにおける標準的なグラフラプラシアンに代わる。
• 既存のGCNNにおけるグラフラプラシアンを導出された統合ハイパーグラフラプラシアンに置き換えることで、GHSCフレームワークを構築する。
• 孤立頂点の特徴を保持するために再正規化トリックを統合し、非連結ハイパーグラフデータセットでの性能向上を図る。
• GCNNアーキテクチャ（例：GCN、SGC、APPNP）を多様に適用し、論文、ビジョン、タンパク質データセットで評価する。

実験結果

リサーチクエスチョン

• RQ1 エッジ依存型頂点重み付きハイパーグラフは、原理的かつ一貫した無向グラフへの同値性を用いて体系的にモデル化可能か？
• RQ2 アーキテクチャの再設計なしに、既存のグラフ畳み込みニューラルネットワーク（GCNN）がEDVWおよびEIVWハイパーグラフの両方を処理できるようにするにはどうすればよいか？
• RQ3 ランダムウォークを介して一般化ハイパーグラフを同等の無向グラフに写像する理論的基盤は何か？
• RQ4 提案された統合ラプラシアンは、既存の手法と比較してハイパーグラフ学習タスクでの性能をどの程度向上させるか？
• RQ5 再正規化トリックは、特に非連結ハイパーグラフデータセットにおいて性能にどのような影響を与えるか？

主な発見

• GHSCは、Cora（74.79% ± 0.91）、PubMed（75.37% ± 1.2）、NTU（85.15% ± 0.34）、ModelNet40（97.28% ± 0.15）データセットで最先端の性能を達成した。
• アブレーションスタディの結果、頂点重み行列Qと再正規化の両方が有効であることが示され、特にCoraやPubMedのような非連結データセットでは再正規化が顕著に性能を向上させた。
• CoraおよびPubMedでは、再正規化ありとなしの性能差が顕著であり（例：Coraでは69.23% 対 74.79%）、孤立頂点の特徴を保持する役割が明確に示された。
• Qと再正規化を併用したH-SSGCは、Coraで75.91% ± 0.75、ModelNet40で97.74% ± 0.05の性能を達成し、ベースライン手法を上回った。
• H-GCNおよびH-SSGCの実行時間は、UniGNNに並ぶ水準であり、HGAT や HyperGCN よりも著しく高速で、Cora共同著者ネットワークでは1エポックあたり0.005s ± 0.002の速度を記録した。
• 可視化結果から、HGATの学習可能アテンションメカニズムがEDVW行列Qに類似していることが確認され、提案フレームワークの解釈可能性が裏付けられた。