Naukowcy opracowali nową metodę MGHRL - Multi-Granularity Hypergraph Representation Learning - która zmienia podejście do uczenia reprezentacji hipergrafów. Zamiast polegać na predefiniowanych definicjach generowania hiperkrawędzi, system adaptacyjnie tworzy je na wielu poziomach szczegółowości przez adaptacyjne dzielenie struktur granular-ball, dostosowując się do topologicznych cech konkretnego grafu.
Dotychczasowe podejścia do hypergraph representation learning pomijały różnorodność topologicznych struktur grafów i wieloziarniste cechy hiperkrawędzi. Powodowało to ograniczenia w efektywnym odkrywaniu relacji wysokiego rzędu oraz przetwarzaniu złożonych informacji strukturalnych. MGHRL rozwiązuje ten problem poprzez inteligentne generowanie hiperkrawędzi dostosowane do właściwości konkretnych grafów.
Rama zaproponowana przez zespół badawczy zawiera Multi-Granularity Hypergraph Network - sieć złożoną z wielu pod-sieci przechwytujących cechy z hiperkrawędzi o różnych granularności. Integracja tych cech odbywa się za pośrednictwem hierarchicznych odwracalnych połączeń. Testy eksperymentalne wykazały, że MGHRL znacznie przewyższa modele bazowe na standardowych zbiorach danych benchmarkowych, co sugeruje jej potencjał dla praktycznych zastosowań w przetwarzaniu skomplikowanych struktur grafowych.