UniG-Encoder：一种用于图与超图节点分类的通用特征编码器

图与超图表示学习近年来受到多个研究领域的广泛关注。尽管图神经网络（Graph Neural Networks, GNNs）、超图神经网络（Hypergraph Neural Networks, HGNNs）及其精心设计的各类变体在多个常用基准图和超图上表现出良好的性能并具备丰富的应用前景，但在某些情况下，其表现仍不及一个简单的多层感知机（Multi-Layer Perceptron, MLP）。这一现象促使我们重新审视当前GNNs与HGNNs的设计范式，并对如何高效提取图结构特征提出了新的挑战。为此，本文提出了一种适用于图与超图表示学习的通用特征编码器，命名为UniG-Encoder。该架构首先通过一个归一化投影矩阵，将连通节点之间的拓扑关系映射为边或超边特征，实现对图结构信息的显式编码。随后，生成的边/超边特征与原始节点特征共同输入神经网络进行处理。最终，通过神经网络输出的逆变换（即投影矩阵的转置）获得节点嵌入表示，该嵌入可直接用于节点分类等下游任务。与传统的基于谱方法和/或消息传递机制的框架不同，所提出的UniG-Encoder以一种高效且统一的方式，同时全面地利用节点特征与图/超图拓扑结构，能够有效建模同质性（homophilic）与异质性（heterophilic）图结构。所设计的投影矩阵具有直观且可解释的特性，能够有效编码图结构信息。大量实验结果表明，与当前最先进的方法相比，UniG-Encoder在十二个代表性超图数据集和六个真实世界图数据集上均展现出显著优越的性能。相关代码已开源，可通过以下链接获取：https://github.com/MinhZou/UniG-Encoder。