본 논문은 노드 피처로부터 의미있는 하이퍼그래프 구조를 추론하는 새로운 방법을 제안합니다. 기존 방법들은 단순한 사전 정의 규칙을 사용하거나 많은 양의 레이블 데이터를 필요로 하는 한계가 있었습니다. 본 논문에서는 레이블 데이터 없이도 각 잠재적 하이퍼엣지에 대한 확률을 추론할 수 있는 새로운 평활화 사전(smoothness prior)을 제안합니다. 이 사전은 하이퍼엣지 내 노드들의 피처가 서로 높은 상관관계를 가진다는 것을 나타내며, 확률적 모델링을 통해 하이퍼그래프 구조와 노드 피처 간의 관계를 도출하는 데 사용됩니다. 결과적으로 분석적 해를 갖는 최적화 문제를 풀어 각 잠재적 하이퍼엣지의 확률을 추정하는 비지도 학습 방법을 개발했습니다. 합성 데이터와 실제 데이터에 대한 실험을 통해 기존 방법보다 효율적으로 의미있는 하이퍼그래프 구조를 학습할 수 있음을 보였습니다.
