Hypergraphs can express more higher-order relations than graphs by allowing multiple nodes in a single hyperedge. In the real world, hypergraphs can easily represent complicated relations such as coauthorship, co-purchase, chemical reactions, etc. In these domains, predicting new hyperedges in a hypergraph is an essential task. It can be directly applied in item recommendations, proposing a probable set of chemicals, etc. However, hyperedge prediction is also challenging. It suffers from handling a massive amount of hyperedge sample space, which is exponential to the number of nodes. In practice, it is nearly impossible to check all the possible hyperedges to find the most probable ones. Existing methods predefine a candidate set of hyperedges, which is composed by real hyperedges (i.e. positive samples) and fake hyperedges (i.e. negative samples) sampled from the sample space. For the sampling procedure, a heuristic rule is defined under their assumptions on negative samples. Nevertheless, we found out that negative samples used in training affect the model’s capability and the performance also varies a lot depending on how we sample the negative samples in the test set. We propose an adversarial training method that doesn’t require any assumptions on the negative samples during training. Our method can be applied to any recent neural network models for hypergraphs. Additionally, we added a memory bank to our model to stabilize training. We empirically showed that our training method performs the best on average of three different test sets, each generated from a different negative sampling method. Throughout this paper, we experiment with the effect of the generator and memory bank and analyze the output generated from the generator.
하이퍼 그래프는 한 하이퍼엣지에 여러 개의 노드를 담을 수 있어, 그래프에 비해 고차원의 표현할 수 있다. 하이퍼 그래프를 사용하면 공동 저자 관계, 한 번에 구매한 물품 목록, 화학 반응이 일어나는 분자 등 다수의 대상이 가지는 관계를 정보 손실 없이 나타낼 수 있다. 이러한 도메인에서 하이퍼그래프의 하이퍼엣지를예측하는 일은 굉장히 중요한 문제이다. 하지만 가능한 하이퍼엣지의 경우의 수는 2의 노드 수 제곱에 비례하기 때문에, 모든 하이퍼엣지 후보를 조사할 수 없는 문제가 수반된다. 따라서 기존 연구에서는 네거티브 예시가 가지는 특징을 추정하여, 이 규칙에 기반하여 네거티브 예시를 샘플링한다. 이때 학습에사용되는 네거티브 예시의 종류에 따라 모델의 성능이 크게 바뀌기 때문에, 어떤 규칙을 사용하는지가 중요한 영향을 미친다. 이 문제를 해결하기 위해, 우리는 네거티브 예시를 추정하지 않아도 되는 적대적 학습 방법을 제안한다. 이 학습 방법은 기존에 제안된 하이퍼엣지 예측을 위한 딥러닝 모델에 바로 적용이가능하다. 또한, 학습을 보조하기 위한 메모리 뱅크를 도입하여 오버피팅 등의 문제를 해소하였다. 실험 결과, 우리의 학습 방법은 다른 종류의 네거티브 예시를 사용한 여러 테스트 샘플에 대해서 평균적으로 가장 좋은 성능을 보였다. 이 논문에서는 우리가 제안한 적대적 학습 방법과 메모리 뱅크의 효과를 분석하고,우리 모델에서 생성된 네거티브 예시를 다른 네거티브 예시와 비교, 분석한다.
