한국정보처리학회:학술대회논문집 (Proceedings of the Korea Information Processing Society Conference)

한국정보처리학회 (Korea Information Processing Society)
권호 표지

하이퍼그래프 희소성에 따른 하이퍼그래프 임베딩 방법 성능 평가

Evaluating the Performance of Hypergraph Embedding Methods According to Hypergraph Sparsity

  • 정소빈 (한양대학교 인공지능학과) ;
  • 강윤석 (미시간대학교 정보대학) ;
  • 김상욱 (한양대학교 컴퓨터소프트웨어학과)
  • So-Bin Jung (Dept. of Artificial Intelligence, Hanyang University) ;
  • David Y. Kang (School of Information, University of Michigan) ;
  • Sang-Wook Kim (Dept. of Computer Science, Hanyang University)
  • 발행 : 2024.05.23
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

실세계에서는 두개 이상의 객체들이 서로 관계를 맺고있다. 단 두 객체 간의 관계만 표현하는 그래프와는 달리 여러 객체들 간의 관계를 표현하는 하이퍼그래프는 그룹 상호작용을 잘 표현할 수 있다. 이러한 강점으로 하이퍼그래프를 활용한 응용들이 많이 제안되고 있다. 하이퍼그래프 임베딩은 하이퍼그래프의 구조를 이용하여 노드를 저차원 벡터로 표현하는 방법이다. 이렇게 표현된 벡터들은 노드 분류, 커뮤니티 탐지, 링크예측 등 광범위한 응용에 활용된다. 하지만 하이퍼그래프는 그래프보다 희소성 문제가 훨씬 더 심해 데이터 셋의 희소성이 하이퍼그래프 임베딩 방법의 성능에 큰 영향을 미칠 수 있다. 따라서, 본 논문에서는 희소성에 따른 하이퍼그래프 임베딩 방법들의 성능을 분석하고자 한다. 우리는 8 개의 실세계 데이터셋을 이용한 실험을 통해 데이터가 희소할수록 하이퍼그래프 임베딩 방법들의 성능이 감소하는 것을 확인하였다.

키워드

과제정보

이 논문은 정부(과학기술정보통신부)의 재원으로 (1) 정보통신기획평가원의 지원과 (No. 2020-0-01373, 인공지능대학원지원(한양대학교), No.RS-2022-00155586, 실세계의 다양한 다운스트림 태스크를 위한 고성능 빅 하이퍼그래프 마이닝 플랫폼 개발(SW 스타랩)) (2) 한국연구재단의 지원을 받아 수행된 연구임 (No.2018R1A5A7059549)

참고문헌

  1. A. Broder et al., "Graph structure in the web", Computer Networks, 33, 1, 309-320, 2000.
  2. M. Girvan and M. Newman., "Community structure in social and biological networks", Proc. Natl. Acad. Sci. U.S.A, 99, 12, 7821, 2002.
  3. R. Milo et al., "Network motifs: simple building blocks of complex networks", Science, 298, 5594, 824-827, 2002.
  4. A. Benson et al., "Simplicial closure and higher-order link prediction", Proc. Natl. Acad. Sci. U.S.A, 115, 48, 11221-11230, 2018.
  5. A. Benson, D. Gleich, and J. Leskovec, "Higher-order organization of complex networks", Science, 353, 6295, 163-166, 2016.
  6. A. Benson, R. Kumar, and A. Tomkins, "Sequences of sets", KDD, 2018, 1148-1157.
  7. P. Bonacich, A. Holdren, and M. Johnston, "Hyper-edges and multidimensional centrality", Social Networks, 26, 3, 189-203, 2004.
  8. C. Berge, "Hypergraphs", North Holland(Amsterdam), 2013.
  9. Y. Feng et al., "Hypergraph neural networks", AAAI, 2019, 3558-3565.
  10. Y. Dong, W. Sawin, and Y. Bengio, "Hnhn: Hypergraph networks with hyperedge neurons", ICML, 2020.
  11. J. Huang and J. Yang, "Unignn: a unified framework for graph and hypergraph neural networks", IJCAI, 2021, 2563-2569.
  12. E. Chien et al., "You are allset: A multiset function framework for hypergraph neural networks", ICLR, 2022.
  13. D. Lee and K. Shin, "I'm me, we're us, and i'm us: Tri-directional contrastive learning on hypergraphs", AAAI, 2023, 8456-8464.
  14. I. Chien, C. Lin, and I. Wang, "Community detection in hypergraphs: Optimal Statistical Limit and Efficient Algorithms", AISTATS, 2018, 871-879.
  15. P. Chodrow, N. Veldt, and A. Benson, "Generative hypergraph clustering: from blockmodels to modularity", Sci. Adv. 7, 28, 710, 2021.
  16. N. Yadati et al., "NHP: Neural hypergraph link prediction", CIKM, 2020, 1705-1714.
  17. H. Hwang et al., "AHP: Learning to negative sample for hyperedge prediction", SIGIR, 2022, 2237-2242.
  18. Y. Li et al., "Learning signed network embedding via graph attention", AAAI, 2020, 4772-4779.
  19. H. Yoo et al., "Directed network embedding with virtual negative edges", WSDM, 2022, 1291-1299.
  20. L. Sun, S. Ji, and J. Ye, "Hypergraph spectral learning for multi-label classification", KDD, 2008, 668-676.
  21. J. Zien, M. Schlag, and P. Chan, "Multilevel spectral hypergraph partitioning with arbitrary vertex sizes", IEEE TCAD, 18, 9, 1389-1399, 1999.
  22. T. Kipf and M. Welling, "Semi-supervised classification with graph convolutional networks", ICLR, 2017.
  23. P. Velickovic et al., "Graph attention networks", ICLR, 2018.
  24. K. Xu et al., "How powerful are graph neural networks?", ICLR, 2019.