HyperFuse：用于带属性超图的快速自监督节点嵌入

arXiv:2610.03211v1 公告类型：新 摘要：自监督超图表示学习能够生成信息丰富的节点嵌入，但现有方法通常需要训练数百个 epoch 的深层编码器，即使对于仅有几千个节点的超图，嵌入生成的成本也很高。这限制了其在需要为大量超图或不断演化的超图生成嵌入的应用中的使用。我们提出了 HyperFuse，一种用于快速超图表示学习的无标签流程。HyperFuse：(i) 使用 Banerjee 的超图邻接矩阵，并通过一个计算成本与节点-超边关联数呈线性关系的无矩阵算子，最大化超图模块度的谱松弛，从而计算结构节点坐标；(ii) 构建多尺度特征摘要，并根据特征掩码和成员关系掩码下成员的稳定性，为超边分配有界效用权重；(iii) 使用不变性-去相关目标，训练一个轻量级的效用加权超图编码器，共训练 100 个 epoch。我们在九个公开超图上，使用六种下游分类器和 k-means 聚类，将 HyperFuse 与 TriCL、SE-HSSL、VilLain 和 HypeBoy 进行了比较。在所有方法均完成运行的八个数据集上，HyperFuse 平均每个数据集仅需 8.7 秒，相较基线方法实现了 13–179 倍的几何平均加速。在六种分类器中的五种上，它取得了最高的平均准确率；同时，其分类和聚类性能与 TriCL 和 SE-HSSL 没有显著差异。与 HypeBoy 相比，HyperFuse 的速度快 13 倍，并且在所有分类器上准确率高出 2.1–4.1 个百分点。HyperFuse 为快速、重复生成超图嵌入提供了一种实用方法。