理大研发崭新AI图神经网络模型 破解图像识别、脑科学等跨学科领域难题

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，GNN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结，香港理工大学（理大）研究团队研发的新型异构图注意力网络成功解决这一挑战，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。

简单来说，传统GNN主要考虑「A连接B」、「B连接C」这样的成对关係，却难以理解A、B、C三者的群体互动。由理大医疗科技及资讯学系教授、杰出创科学人仇安琪教授及其研究团队设计的新型「霍奇-拉普拉斯异构图注意力网络（Hodge-Laplacian Heterogeneous Graph Attention Network，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複杂关联。

在数学上，k-单体是高维几何的基本元素，能够捕捉多个节点之间的高阶关联：0-单体为单一节点，1-单体为连接两个节点的边，2-单体为三个节点构成的三角形，如此类推。HL-HGAT模型将图形解释为单体复形，可同时捕捉节点、边、三角形等多层次结构间的复杂互动，全面提升模型对数据复杂关系的理解能力。

HL-HGAT的核心为霍奇-拉普拉斯（Hodge-Laplacian，HL）算子，它提供了一个可在单体复形上建模及传播讯号的数学框架，使该网络能够突破成对关系的限制，为结构数据中的复杂、多层次的交互作用建构更精确的模型。在动态图领域，HL-HGAT的重大突破则在于它能将高阶拓朴表征扩展至时域，并结合高效的HL滤波、自适应注意力机制及异构讯号分解，揭示传统静态GNN无法捕捉的复杂时变模态。

仇教授表示：「HL-HGAT模型在各种基于图的场景，包括是理论优化问题，或实际生物医学应用等方面，皆展现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」（如何规划最短配送路线），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，其表现在CIFAR-10影像分类测试中超越了传统的GNN，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，HL-HGAT亦展现出极高的应用价值。团队将其用于功能性磁振造影（fMRI）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，在HL-HGAT也可检测出阿兹海默症患者早期的皮质变薄与神经连接中断，有助更及时发现病征。

此创新的HL-HGAT模型不但在科学及工业应用中针对各种基于图的复杂任务展现了卓越成果，更标志着图神经网络技术的重要进展。该研究名为「HL-HGAT：霍奇-拉普拉斯算子的异构图注意力网络」，已发表于《IEEE 模式分析与机器智能学报》（IEEE Transactions on Pattern Analysis and Machine Intelligence）。

***完***