Ricci-Flow‑gesteuerte Hypergraph‑Netzwerke bekämpfen Überglättung

Hypergraph‑Neuronale Netzwerke (HGNNs) haben sich als leistungsstarkes Werkzeug zur Modellierung komplexer höherer Beziehungen erwiesen. Ein häufiges Problem bei bestehenden HGNNs ist jedoch die Überglättung: Mit zunehmender Schichtentiefe verschmelzen die Merkmale der Knoten zu wenig unterschiedlichen, was die Modellleistung beeinträchtigt. Gleichzeitig fehlt es vielen Ansätzen an einer effektiven Steuerung des Nachrichtenflusses zwischen den Knoten.

Durch die Einführung des diskreten Ricci‑Flows aus der Differentialgeometrie wird gezeigt, dass die Struktur eines Hypergraphs gezielt reguliert werden kann. Der Ricci‑Flow wirkt dabei wie ein adaptiver Diffusionsmechanismus, der die Geschwindigkeit der Informationsverbreitung auf geometrischer Ebene steuert und so die Homogenisierung der Merkmale verhindert. Auf dieser Grundlage wurde das neue Paradigma Ricci Flow‑guided Hypergraph Neural Diffusion (RFHND) entwickelt.

RFHND basiert auf einem partiellen Differentialgleichungssystem, das die kontinuierliche Entwicklung der Knoteneigenschaften beschreibt. Durch die adaptive Regelung der Diffusionsrate liefert das Modell hochqualitative Knotendarstellungen und reduziert die Überglättung signifikant. Experimentelle Ergebnisse auf mehreren Benchmark‑Datensätzen zeigen, dass RFHND bestehende Methoden deutlich übertrifft, dabei robust bleibt und die Überglättung wirksam mildert.