PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2512.12477v3cs.AI

DualHNIE: 이종 지식 그래프에서 노드 중요도 추정을 위한 이중 채널 하이퍼그래프 학습

DualHNIE: Dual-Channel Hypergraph Learning for Node Importance Estimation in Heterogeneous Knowledge Graphs

이종 지식 그래프에서 노드 중요도를 추정하는 것은 추천, 검색, 지식 의사결정 시스템의 기반이 되는 근본적인 문제이다. 그러나 기존 방법의 대부분은 메타 관계(meta-relational) 구조에 의해 유도되는 고차 상호작용을 포착하지 못하는 쌍wise 메시지 전달(pairwise message passing) 메커니즘에 의존한다. 또한 구조적 토폴로지와 의미적 속성은 통상적으로 통합된 임베딩 공간 내에서 뒤섞여 있어, 각각의 고유한 귀납적 편향(inductive bias)을 흐리게 하고 학습된 중요도 표현의 판별력을 제한한다. 이러한 한계를 해결하기 위해, 우리는 노드 중요도 추정을 위한 원칙적인 이중 채널 하이퍼그래프 학습 프레임워크인 DualHNIE를 제안한다. DualHNIE는 먼저 메타 패스(meta-path) 시퀀스로부터 유형화된 하이퍼엣지(typed hyperedge)를 구성하여 고차 지식 그래프를 만들고, 고차 관계 패턴의 명시적 모델링을 가능하게 한다. 그런 다음 두 가지 상보적 인코더를 도입한다: 메타 패스로 유도된 하이퍼엣지에 대해 국소 정규화 집계를 수행하여 국소적 구조적 의존성을 포착하는 구조 인식 하이퍼그래프 어텐션 네트워크, 그리고 확장 가능한 계산을 유지하면서 전역 의미적 상호작용을 포착하는 희소-청크(sparse-chunked) 하이퍼그래프 트랜스포머. 우리는 또한 보조 감독(auxiliary supervision)을 갖춘 대조 정렬(contrastive alignment) 메커니즘을 설계하여, 모달리티별 표현을 보존하면서 교차 뷰(cross-view) 일관성을 보장한다. 다수의 벤치마크 데이터셋에 대한 광범위한 실험은 DualHNIE가 최신(state-of-the-art) 방법들을 능가함을 보여주며, 이종 지식 그래프에 대한 명시적 고차 모델링과 분리된(disentangled) 이중 채널 표현 학습의 효과를 검증한다. 코드와 데이터셋은 \footnote[1]{https://github.com/jiawenchen10/DualHNIE}에서 이용 가능하다.

arXiv:2601.11073v3cs.LG

인지 신경과학과 그래프 인텔리전스의 가교: 웹 금융 사기를 위한 해마 영감 다중 뷰 하이퍼그래프 학습

Bridging Cognitive Neuroscience and Graph Intelligence: Hippocampus-Inspired Multi-View Hypergraph Learning for Web Finance Fraud

해마의 장면 충돌 감지 및 CA1 신규성 탐지 메커니즘에서 영감을 받아, 웹 금융 사기의 롱테일 분포와 위장 행동이라는 두 가지 난제를 해결하는 하이퍼그래프 학습 모델 HIMVH를 제안한다. 6개 데이터셋에서 15개 SOTA 모델 대비 AUC 6.42%, F1 9.74%, AP 39.14% 향상을 달성했다.

arXiv:2606.21668v1cs.LG

유향 비순환 하이퍼그래프 학습을 위한 프레임워크

A Framework for Directed Acyclic Hypergraph Learning

유향 비순환 그래프(DAG) 학습을 위한 연속 최적화 방법은 가중 인접 행렬에 기반하기 때문에 쌍별 인과 관계만을 다룰 수 있다는 한계가 있습니다. 본 연구에서는 관측 데이터로부터 유향 비순환 하이퍼그래프(DAHG)를 학습하는 프레임워크를 제안하며, 쌍별 모델로는 표현할 수 없는 결합적 부모 영향(joint parental influences)을 포착합니다. 제안하는 방법은 세 가지 구성 요소에 기반합니다: (i) 비영(non-zero) 가중치가 유향 하이퍼에지(directed hyperedge)와 일대일 대응되는 곱셈 상호작용 항을 포함한 일반화 선형 구조 방정식 모델(SEM); (ii) 텐서 t-곱(tensor t-product) 하에서의 멱영성(nilpotency)으로 비순환성이 특성화되는 가중 인접 텐서 표현; (iii) t-곱의 푸리에 분해를 통해 도출된 미분 가능한 비순환성 제약으로, 텐서 멱영성을 슬라이스별 행렬 멱영성으로 환원하여 증강 라그랑지안 방법(augmented Lagrangian method)을 통한 최소제곱 학습을 가능하게 합니다.