MARIOH: Multiplicity-Aware Hypergraph Reconstruction

要約

ハイパーグラフは、従来のペアワイズグラフが完全にキャプチャできない高次の相互作用をモデル化するための強力なフレームワークを提供します。
ただし、実際的な制約により、予測されたグラフへの単純化につながることが多く、高次の関係を表すことで大きな情報の損失とあいまいさをもたらします。
この作業では、マリオを提案します。マリオは、エッジの多重度を活用することにより、予測グラフから元のハイパーグラフを再構築するための監視されたアプローチを提案します。
大きな検索スペースによってもたらされる困難を克服するために、マリオはいくつかの重要なアイデアを統合します。（a）候補者の検索スペースを削減する証明可能なサイズ2ハイペラッジを識別し、（b）構造的および多重性関連の機能の両方を利用することで候補者がハイペラッジである可能性を予測します。
一緒に、これらのアイデアにより、マリオは検索スペースを効率的かつ効果的に探索できます。
10の実際のデータセットを使用した実験では、Mariohは最先端の方法と比較して最大74.51％の再構成精度を達成しています。

要約(オリジナル)

Hypergraphs offer a powerful framework for modeling higher-order interactions that traditional pairwise graphs cannot fully capture. However, practical constraints often lead to their simplification into projected graphs, resulting in substantial information loss and ambiguity in representing higher-order relationships. In this work, we propose MARIOH, a supervised approach for reconstructing the original hypergraph from its projected graph by leveraging edge multiplicity. To overcome the difficulties posed by the large search space, MARIOH integrates several key ideas: (a) identifying provable size-2 hyperedges, which reduces the candidate search space, (b) predicting the likelihood of candidates being hyperedges by utilizing both structural and multiplicity-related features, and (c) not only targeting promising hyperedge candidates but also examining less confident ones to explore alternative possibilities. Together, these ideas enable MARIOH to efficiently and effectively explore the search space. In our experiments using 10 real-world datasets, MARIOH achieves up to 74.51% higher reconstruction accuracy compared to state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google