在现实世界中，高阶交互现象普遍存在，反映了复杂的关系网络。然而，受限于技术条件，许多领域仅能捕捉到低阶的成对交互信息，这导致了对完整交互上下文理解的缺失，进而制约了相关领域的应用发展。针对这一难题，韩国科学技术院(KAIST)的Kijung Shin教授带领团队，成功开发出名为“MARIOH”(多重感知超图重建)的人工智能模型，该模型能够从低阶交互信息中精准重建高阶交互，为社交网络分析、神经科学及生命科学等领域带来新的分析视角。

高阶交互的重建之所以困难，是因为大量潜在的高阶交互可能源自相同的低阶结构。MARIOH模型的核心创新在于，它利用低阶交互的多重性信息，有效减少了从给定结构中可能产生的高阶交互候选数量。同时，借助高效的搜索算法，MARIOH能快速筛选出有潜力的交互候选，并通过基于多重性的深度学习技术，精确评估每个候选代表真实高阶交互的概率。

研究团队通过十个真实世界数据集的测试，验证了MARIOH模型的卓越性能。结果显示，与现有方法相比，MARIOH重建高阶交互的准确率提升了74%。特别是在共同作者关系数据集上，MARIOH的准确率高达98%，远超现有方法的86%。此外，利用重建的高阶结构，还能显著提升预测和分类等下游任务的性能。

Kijung Shin教授表示：“MARIOH模型突破了现有方法仅依赖简化连接信息的局限，能够更精确地解析现实世界中复杂的互连关系。”他还指出，MARIOH在社交网络分析、生命科学及神经科学等多个领域均展现出广泛的应用潜力。

这项研究由Kyuhan Lee、Geon Lee及Kijung Shin教授共同完成，研究成果于今年5月在香港举行的第41届IEEE国际数据工程大会上发布。

更多信息： Kyuhan Lee 等，MARIOH：多重感知超图重建2025 IEEE 第 41 届国际数据工程会议 (ICDE) (2025)。