본 논문은 하이퍼그래프 상의 데이터 생성 과정을 모델링하는 방법을 제시하고, 이를 통해 하이퍼그래프 데이터를 위한 기계 학습 알고리즘 설계를 개선하는 것을 목표로 합니다. 하이퍼그래프의 노드 특징과 하이퍼엣지 특징의 결합 분포를 다변량 가우시안 분포로 모델링하는 하이퍼그래프 마르코프 랜덤 필드를 개발하여 하이퍼그래프 구조에 의해 고유하게 결정되는 공분산 행렬을 사용합니다. 제안된 데이터 생성 과정은 다양한 하이퍼그래프 기계 학습 작업에 유용한 귀납적 편향을 제공하여 알고리즘 설계를 향상시킵니다. 구체적으로 하이퍼그래프 구조 추론(HGSI) 프레임워크와 하이퍼그래프 노드 분류를 위한 Hypergraph-MLP 프레임워크를 제시하며, 실험 결과 두 프레임워크 모두 기존 방법들보다 우수한 성능을 보임을 확인했습니다.
