近日，我院徐立祥教授团队与德国明斯特大学合作完成的研究成果《Fission-based Dynamic Hypergraph Neural Network》（基于节点裂变的动态超图神经网络）在中科院一区Top期刊《Pattern Recognition》上正式发表。徐立祥教授为论文通讯作者，合肥理工学院为合作完成单位。该期刊为模式识别领域历史最悠久、影响力最大的顶级期刊之一，影响因子为9.1。
超图神经网络能够通过一条超边连接多个节点，有效刻画数据中的高阶关联，在节点分类、视觉对象识别等任务中具有广泛应用前景。然而，现有动态超图神经网络在超边数量及节点与超边连接关系的自适应调整方面仍存在不足，难以充分挖掘特征与拓扑结构中的潜在信息。同时，传统方法依赖相邻节点具有相似特征或标签的同配性假设，在低同配性数据上的表现受到限制。
针对上述挑战，研究团队提出基于节点裂变的动态超图神经网络FDHNN。该模型通过受控节点裂变生成节点的多个视图，细化局部邻域结构；利用协同网络融合节点特征与拓扑信息，学习节点与超边之间的软关联，并依据超图饱和度自适应调整超边数量，减少结构冗余；同时，将小波Kolmogorov–Arnold网络引入超图卷积，提取多尺度高、低频信息，增强模型的特征表达能力。针对低同配性图，模型进一步融合拓扑结构信息，提升对复杂节点关系的建模能力。
实验结果表明，FDHNN在7个图节点分类基准数据集中的6个上取得了所比较方法中的最优结果。其中，在Squirrel和Chameleon两个低同配性数据集上，分类准确率分别达到77.37%和79.11%，较各数据集最优对比方法分别提升13.77和3.91个百分点。在ModelNet40和NTU视觉对象分类实验中，该方法同样取得了所比较方法中的最优结果。计算开销与运行时间对比进一步验证了模型的效率优势，为动态超图结构学习与高阶关系表征提供了新的研究思路。
图1：FDHNN模型总体框架
图一包括节点裂变、超图构建和超图卷积三个主要模块。首先，通过节点裂变与邻域重新分配提取多视图结构信息；随后，利用协同网络学习节点与超边之间的软关联，构建动态超图；最后，通过引入小波变换的超图卷积实现多尺度特征融合，生成节点表示用于分类任务。
本研究获得国家自然科学基金、安徽省高等学校质量工程项目、合肥市关键核心技术研发项目、德国研究联合会（DFG）等资助。
论文链接：https://www.sciencedirect.com/science/article/pii/S003132032600960X
