作为人工智能（AI）领域的新兴技术，图神经网络（GNN）是一种专门处理图结构数据的深度学习模型。目前，图神经网络模型主要擅长处理数据中节点与边之间的关系，但往往忽略了高阶的复杂连接。

近日，香港理工大学（简称“港理工”）教授仇安琪团队提出了设计的新型“霍奇-拉普拉斯异构图注意力网络（HL-HGAT）”，能够学习和分析不同层次的异质信号，捕捉多种图结构间的复杂关联。相关研究成果发表于《IEEE 模式分析与机器智能汇刊》。

传统图神经网络模型主要考虑“A连接B”“B连接C”这样的成对关系，却难以理解A、B、C三者的群体互动。研究团队提出的这种新型异构图注意力网络，革新了图结构数据的复杂关系建模，有望突破AI在神经科学、物流、计算机视觉、生物学等多个领域的应用限制。

HL-HGAT的核心为霍奇-拉普拉斯（HL）算子，它提供了一个可在单复形上建模及传播信号的数学框架，使该网络能够突破成对关系的限制，为结构数据中的复杂、多层次的交互作用构建更精确的模型。在动态图领域，HL-HGAT能将高阶拓扑表征扩展至时域，并结合高效的HL滤波、自适应注意力机制及异构信号分解，揭示传统静态图神经网络模型无法捕捉的复杂时变模态。

仇安琪表示：“HL-HGAT模型在各种基于图的场景，包括理论优化问题，或实际生物医学应用等方面，皆展现出广泛效用及丰富功能。该模型已在各种图应用中进行了全面评估，结果证明其具有作为统一框架的适应能力，能够跨学科地处理优化、分类、回归及多模态学习等任务。”

研究团队在多个领域进行了全面测试：在物流领域，HL-HGAT有效解决经典的“旅行商问题”，例如规划最短配送路线等问题，为物流公司节省大量时间和成本；在计算机视觉领域，HL-HGAT将影像转换为图形结构进行分析，在CIFAR-10图像分类测试中超越了传统的图神经网络模型，能更精准地捕捉影像中的细节特征；在化学领域，HL-HGAT在预测分子特性方面取得卓越准确度，有助加速新药开发进程。

在神经科学与医疗诊断上，团队将HL-HGAT用于功能性磁共振成像数据分析，能准确预测智力表现与大脑年龄，更能在抑郁症患者的脑网络中发现默认模式网络和边缘系统中异常的“三方神经区域互动”，这些细微变化是传统方法无法察觉的。此外，HL-HGAT也可检测出阿尔茨海默症患者早期的皮质变薄与神经连接中断，有助于更及时发现病征。

相关论文信息：https://ieeexplore.ieee.org/abstract/document/11106311