Hypergraph Neural Networks with Logic Clauses
Authors:
Autores
| Person role | Person | |
|---|---|---|
|
7493 |
3243,250
|
|
|
7494 |
3243,250
|
Informations:
Pesc publication
A análise da estrutura em conjuntos de dados complexos tornou-se essencial para resolver problemas difíceis de aprendizagem automática. Os aspectos relacionais dos dados, que captam as relações entre objectos, desempenham um papel crucial na compreensão da estrutura subjacente dos dados. Embora os algoritmos tradicionais de grafos tenham sido amplamente utilizados para relações binárias, provas recentes sugerem que os hipergrafos podem proporcionar uma abordagem mais eficaz para modelar relações complexas e não binárias. As redes neurais de hipergrafos (HGNN) demonstraram oferecer uma pequena melhoria no desempenho quando comparadas com as redes neurais de grafos (GNN). Neste trabalho, é proposta uma nova abordagem para inserir conhecimento de domínio relacional em HGNNs usando uma cláusula lógica que expressa relações não binárias. Avaliamos o desempenho deste novo modelo hipergrafos, designado por BHGNN (Bottom-clause HGNN), em comparação com abordagens bem conhecidas. Os resultados mostram que o BHGNN pode alcançar uma melhoria estatisticamente significativa do desempenho, com base no teste Wilcoxon signed-ranks, em comparação com HGNN e GNNs.
The analysis of structure in complex datasets has become essential to solving difficult Machine Learning problems. Relational aspects of data, capturing relationships between objects, play a crucial role in understanding the underlying data structure. While traditional graph algorithms have been widely used for binary relations, recent evidence suggests that hypergraphs can provide a more effective approach for modeling complex, non-binary relations. Hypergraph Neural Networks (HGNN) have been shown to offer a small improvement in performance when compared to Graph Neural Networks (GNN). In this work, a new approach is proposed for inserting relational domain knowledge into HGNNs using a logic clause expressing non-binary relations. We evaluate the performance of this new hypergraph model, called Bottom-clause HGNN (BHGNN), in comparison with well-known approaches. Results show that BHGNN can achieve statistically significant improvement of performance, based on the Wilcoxon signed-ranks test, in comparison with HGNN and GNNs.