본 논문은 텍스트 속성을 가진 하이퍼그래프(TAHGs)에서의 자가 지도 학습을 위한 새로운 프레임워크인 HiTeC를 제안합니다. 기존의 대조 학습 기반 방법들이 텍스트 정보를 고려하지 않고 무작위 데이터 증강에 의존하며 장거리 의존성을 제대로 포착하지 못하는 한계를 극복하기 위해, HiTeC는 두 단계의 계층적 대조 학습 접근 방식을 사용합니다. 1단계에서는 구조 인식 대조 목표를 사용하여 텍스트 인코더를 사전 훈련하고, 2단계에서는 프롬프트 향상 텍스트 증강 및 의미 인식 하이퍼에지 삭제와 같은 의미 인식 증강 전략과 다중 스케일 대조 손실(s-walk 기반 하위 그래프 수준 대조 포함)을 도입하여 정보가 풍부한 뷰 생성과 장거리 의존성 학습을 향상시킵니다. 이를 통해 기존 방법들의 한계점을 극복하고 확장성과 표현력을 높인 자가 지도 학습을 수행합니다.
