摘要
由于能够捕捉高阶关系与多粒度结构模式，超图神经网络在节点分类任务中展现出巨大潜力。然而现实中的超图往往较为稀疏，这限制了通过节点与超边关联关系进行建模，进而影响了属性传播的可靠性以及全局依赖关系的把握。为解决这一问题，我们提出了DDEC，这是一种用于稀疏超图节点分类的双依赖增强对比学习框架。为弥补稀疏结构下丢失的关系信息，DDEC引入了属性视角来补充结构视角。鉴于属性信息可能存在噪声且不够可靠，我们首先设计了一种基于熵值的特征重新校准机制，用于评估节点的不确定性并突出可信的属性关联。在此基础上，DDEC从结构和属性两个层面实现双依赖增强。具体而言，我们利用超图与其线图之间的对偶性，在两种视角下进行线图转换，从而在稀疏拓扑结构下构建出一个共享的对偶关系空间，用于增强节点间的关联。在这个对偶空间中，我们在两种视角下都采用基于注意力的依赖增强方法，使得结构视角能够捕捉超边间的显式拓扑依赖，而属性视角则能发现超出稀疏关联关系之外的潜在语义关联。随后，我们将两种视角得到的表示结果进行自适应融合，并在节点和超边层面进一步开展协同对比学习，以实现多粒度的语义一致性。在八个公开数据集上的实验表明，DDEC的表现始终优于其他竞争性基线模型，证明了其有效性与稳定性。
