Riemannische Wärmeausleihe: Hypergraph-Netzwerk überwindet Heterophilie

Hypergraphen beschreiben komplexe Mehrfachbeziehungen zwischen Objekten und finden in Bereichen wie sozialer Netzwerk‑Analyse oder multimodaler Suche breite Anwendung. Hypergraph‑Neuronetzwerke (HGNNs) sind inzwischen die bevorzugte Methode, um auf solchen Strukturen zu lernen. Traditionelle HGNNs basieren jedoch auf dem Homophilie‑Ansatz, wodurch sie bei heterophilen Hypergraphen – also bei stark unterschiedlichen Nachbarn – an ihre Grenzen stoßen.

Die neue Arbeit nutzt die Riemannsche Geometrie, um das Problem des „Oversquashing“ zu adressieren, das in Hypergraphen zu einem Bottleneck führt. Durch die Betrachtung des Wärmeflusses auf einem Riemannischen Mannigfaltigkeit wird gezeigt, wie lokale Bottlenecks in unterschiedlichen Teil‑Hypergraphen adaptiv angepasst werden können. Der Kern dieser Idee ist ein sogenannter „adaptive local heat exchanger“, der lange Reichweitenbeziehungen über die Robin‑Bedingung erfasst und gleichzeitig die Unterscheidbarkeit der Repräsentationen durch Quellterme bewahrt.

Auf dieser theoretischen Basis wird das neue Modell HealHGNN vorgestellt. Es arbeitet als bidirektionales System zwischen Knoten und Hyperkanten und besitzt eine lineare Komplexität in Bezug auf die Anzahl von Knoten und Hyperkanten. Dadurch bleibt die Skalierbarkeit hoch, während gleichzeitig die heterophilie‑agnostische Nachrichtenweitergabe ermöglicht wird.

Umfangreiche Experimente auf homophilen und heterophilen Datensätzen zeigen, dass HealHGNN die bisherige Spitzenleistung übertrifft. Die Ergebnisse unterstreichen, dass die Kombination aus Riemannischer Geometrie und adaptiver Wärmeausleihe einen bedeutenden Fortschritt für das Lernen auf komplexen Hypergraphen darstellt.