BHyGNN+: 이종성 하이퍼그래프를 위한 비지도 표현 학습

BHyGNN+: Unsupervised Representation Learning for Heterophilic Hypergraphs

하이퍼그래프 신경망(HyGNN)은 개체 간의 고차 관계를 모델링하는 데 뛰어난 성능을 보여주었습니다. 그러나 동일한 하이퍼에지로 연결된 노드가 서로 다른 의미적 표현을 갖거나 다른 클래스에 속하는 이종성 하이퍼그래프에서는 성능이 저하되는 경향이 있습니다. 이종성을 해결하기 위한 여러 HyGNN, 특히 우리의 이전 연구인 BHyGNN이 제안되었지만, 이러한 모델들은 종종 레이블이 지정된 데이터에 의존하기 때문에 실제 환경에서 레이블이 부족하거나 비용이 많이 드는 경우 적용 가능성이 제한됩니다. 이러한 제한 사항을 극복하기 위해, 우리는 BHyGNN+를 제안합니다. BHyGNN+는 이종성 하이퍼그래프에 대한 표현 학습을 위한 자기 지도 학습 프레임워크로서, BHyGNN을 확장하며, ground-truth 레이블이 필요하지 않습니다. BHyGNN+의 핵심 아이디어는 하이퍼그래프 이중성(hypergraph duality)입니다. 이는 노드와 하이퍼에지의 역할을 서로 바꾸는 구조적 변환입니다. BHyGNN+는 코사인 유사성을 사용하여 하이퍼그래프의 변환된 뷰와 이중 구조를 비교함으로써, 완전히 비지도 방식으로 필수적인 구조적 패턴을 파악합니다. 주목할 만한 점은, 이러한 이중성 기반의 공식화는 기존의 하이퍼그래프 대비 학습 방법에서 흔히 요구되는 부정 샘플의 필요성을 없애줍니다. 이러한 부정 샘플은 실제 환경에서 만족시키기 어려운 경우가 많습니다. 11개의 벤치마크 데이터 세트에 대한 광범위한 실험 결과, BHyGNN+는 이종성 및 동종성 하이퍼그래프 모두에서 최첨단 지도 및 자기 지도 기반 모델보다 일관되게 우수한 성능을 보였습니다. 이러한 결과는 자기 지도 학습을 위한 하이퍼그래프 이중성을 활용하는 것의 효과를 검증하며, 어려운 레이블이 없는 하이퍼그래프에 대한 표현 학습의 새로운 패러다임을 제시합니다.

Hypergraph Neural Networks (HyGNNs) have demonstrated remarkable success in modeling higher-order relationships among entities. However, their performance often degrades on heterophilic hypergraphs, where nodes connected by the same hyperedge tend to have dissimilar semantic representations or belong to different classes. While several HyGNNs, including our prior work BHyGNN, have been proposed to address heterophily, their reliance on labeled data significantly limits their applicability in real-world scenarios where annotations are scarce or costly. To overcome this limitation, we introduce BHyGNN+, a self-supervised learning framework that extends BHyGNN for representation learning on heterophilic hypergraphs without requiring ground-truth labels. The core idea of BHyGNN+ is hypergraph duality, a structural transformation where the roles of nodes and hyperedges are interchanged. By contrasting augmented views of a hypergraph against its dual using cosine similarity, our framework captures essential structural patterns in a fully unsupervised manner. Notably, this duality-based formulation eliminates the need for negative samples, a common requirement in existing hypergraph contrastive learning methods that is often difficult to satisfy in practice. Extensive experiments on eleven benchmark datasets demonstrate that BHyGNN+ consistently outperforms state-of-the-art supervised and self-supervised baselines on both heterophilic and homophilic hypergraphs. Our results validate the effectiveness of leveraging hypergraph duality for self-supervised learning and establish a new paradigm for representation learning on challenging, unlabeled hypergraphs.