超图神经网络在建模高阶关系方面展现了强大的能力，但其预测不确定性仍未得到充分探索。与成对图不同，超图中的不确定性不仅源于噪声属性和模糊标签，还来自节点-超边关联结构的变化和复杂的高阶依赖关系。现有方法主要通过最终预测估计不确定性，或依赖计算成本高昂的集成和贝叶斯推断，限制了其在表示学习过程中捕获不确定性演变的能力。
本文提出了超图神经随机扩散（HyperNSD），这是一个用于超图不确定性估计的随机微分方程框架。HyperNSD将超图表示建模为在节点-超边关联结构上演变的随机过程。一个可学习的漂移函数捕获确定性的高阶扩散动态，而一个可学习的随机强迫函数则表征结构模糊性和表示噪声。
通过随机表示轨迹的变异性直接量化预测不确定性，提供了一种超越事后置信分数的内在不确定性度量。
我们通过神经漂移和扩散网络对HyperNSD进行公式化，能够联合学习预测与不确定性传播。理论分析确立了所提随机动态的良好适定性、扰动稳定性、置换等变性和数值收敛性。在多个超图基准上的实验表明，HyperNSD在保持竞争性预测准确度的同时，实现了对分布外和误分类检测的可靠不确定性估计。这些结果为可信的高阶表示学习提供了一个原则性随机动态框架。
博主点评： HyperNSD框架通过引入随机微分方程的概念，为超图的不确定性估计提供了创新的方法。其通过学习漂移和扩散函数，能够有效捕捉高阶关系中的不确定性，这在实际应用中具有重要意义，尤其在面对复杂数据和潜在噪声时。该研究在理论和实验上都展现了很好的效果，值得关注。