本文介绍了一种新型的超几何图卷积神经网络（HGCN），该网络通过超几何空间的特性学习节点表示，显著提升了链路预测和节点分类的性能。研究表明，HGCN在低维嵌入下优于传统欧几里得模型，并探讨了其在计算机视觉中的应用及未来研究方向。

本文提出了第一个归纳式的超几何图卷积神经网络(HGCN)，利用超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的归纳式节点表示。实验证明，HGCN 学习到的嵌入保留了分层结构，并且在链路预测和节点分类中获得了更好的性能。

本文介绍了第一个归纳式的超几何图卷积神经网络（HGCN），利用超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的节点表示。实验证明，HGCN学习到的嵌入保留了分层结构，并且在链路预测和节点分类中表现更好。