Enhancing T-HyperGNN via Node Feature Similarity-based Hyperedge Weighting

하이퍼그래프 신경망(HyperGNN)은 고차원 집단 관계를 효과적으로 모델링한다. 기존 T-HyperGNN은 텐서 표현 기반으로 고차원 상호작용을 직접 모델링한다. 하지만 하이퍼엣지 가중치를 노드 수(cardinality)에만 의존하여 계산하므로 내부 노드 특징 유사도를 반영하지 못하는 한계가 있다. 본 논문은 이를 극복하기 위해 분산 기반(VA), 코사인 유사도 기반(Cosine), 두 방식을 학습 가능한 파라미터로 결합한 Hybrid의 세 가지 어텐션 방식을 제안한다. Coauthorship 및 Cocitation 벤치마크 5종으로 실험한 결과, 제안 방식은 5개 데이터셋 모두에서 T-HyperGNN 대비 유의한 개선을 보였다. 특히 Hybrid는 Coauthorship DBLP에서 +9.42%p로 향상 폭이 가장 컸고 Cocitation PubMed에서는 92.03%로 전체 모델 중 정확도가 가장 높았다. 반면 노드 특징이 희소한 데이터셋에서는 기존 모델 대비 낮은 성능을 보였다. 이를 통해 하이퍼엣지 내부 특징 유사도를 반영하는 어텐션 방식이 텐서 기반 접근이 유효한 조건에서 노드 분류 성능을 향상시킴을 확인하였다.