ترجمه فارسی مقاله مدل‌سازی بیش از حد لبه در شبکه‌های عصبی هایپرگراف با استفاده از متراکم‌ترین زیرگراف‌های همپوشانی

چکیده

Hypergraphs tackle the limitations of traditional graphs by introducing {\em hyperedges}. While graph edges connect only two nodes, hyperedges connect an arbitrary number of nodes along their edges. Also, the underlying message-passing mechanisms in Hypergraph Neural Networks (HGNNs) are in the form of vertex-hyperedge-vertex, which let HGNNs capture and utilize richer and more complex structural information than traditional Graph Neural Networks (GNNs). More recently, the idea of overlapping subgraphs has emerged. These subgraphs can capture more information about subgroups of vertices without limiting one vertex belonging to just one group, allowing vertices to belong to multiple groups or subgraphs. In addition, one of the most important problems in graph clustering is to find densest overlapping subgraphs (DOS). In this paper, we propose a solution to the DOS problem via Agglomerative Greedy Enumeration (DOSAGE) algorithm as a novel approach to enhance the process of generating the densest overlapping subgraphs and, hence, a robust construction of the hypergraphs. Experiments on standard benchmarks show that the DOSAGE algorithm significantly outperforms the HGNNs and six other methods on the node classification task.

چکیده به فارسی (ترجمه ماشینی)

Hypergraphs با معرفی Hyperedges {\ em ، محدودیت های نمودارهای سنتی را برطرف می کند.در حالی که لبه های نمودار فقط دو گره وصل می شوند ، Hyperedges تعداد گره های دلخواه را در امتداد لبه های خود وصل می کند.همچنین ، مکانیسم های مهم انتقال پیام در شبکه های عصبی Hypergraph (HGNN) به شکل راس Hyperedge-Verex هستند که به HGNN اجازه می دهد تا اطلاعات ساختاری غنی تر و پیچیده تری نسبت به شبکه های عصبی سنتی (GNN) ضبط و استفاده کنند.اخیراً ، ایده زیرگرافهای همپوشانی پدید آمده است.این زیرگراف ها می توانند اطلاعات بیشتری در مورد زیر گروه های راس ها بدون محدود کردن یک راس متعلق به فقط یک گروه کسب کنند و اجازه می دهند که راس ها متعلق به چندین گروه یا زیرگراف باشند.علاوه بر این ، یکی از مهمترین مشکلات در خوشه بندی نمودار ، یافتن متراکم ترین زیرگرافهای همپوشانی (DOS) است.در این مقاله ، ما یک راه حل برای مشکل DOS از طریق الگوریتم شماری حریص (دوز) به عنوان یک رویکرد جدید برای تقویت فرآیند تولید مترادف ترین زیرگرافهای همپوشانی و از این رو ، ساخت و ساز قوی از هایپرگراف ارائه می دهیم.آزمایشات روی معیارهای استاندارد نشان می دهد که الگوریتم دوز به طور قابل توجهی از HGNN ها و شش روش دیگر در کار طبقه بندی گره بهتر عمل می کند.