Feb, 2018

基于边缘注意力的多关系图卷积网络

PDF
TL;DR该论文提出了一种基于边注意力的多关系图卷积网络 (EAGCN) 模型，可用于多个化学数据集中学习化合物的属性，通过设计边注意力字典以及在不同分子中查找该字典以形成每个分子的注意力矩阵，进而实现对不同分子大小的聚合节点特征预测的独立性。
graph convolutional networkedge attention-based multi-relational gcnchemical graph theorymolecular propertiesattention mechanism
发现论文，激发创造
  • DAGCN: 双重注意力图卷积网络

    本研究提出了一种新的框架，双注意力图卷积网络，用于解决图分类任务中邻域汇聚和池化操作的问题，并通过实验比较证明了该模型优于其他基线模型和深度学习方法。

    Apr, 2019

  • 基于注意力机制的图卷积网络，融合潜在结构和多个特征

    本文提出了利用结构信息和多种注意力函数计算权重的关注型空间图卷积（AGC）方法以及基于该方法的用于分类和预测点云标签的图神经网络（GNN）模型，实验结果表明，所提出的 GNN 性能优于现有方法。

    Mar, 2023

  • 自注意力增强的图卷积网络：结构学习和节点嵌入

    本研究提出了一种名为 GCN-SA 的新型图学习框架，它具有出色的节点级表示学习的泛化能力，并且通过自注意机制和改进的转换器块实现了对长程依赖关系的捕捉，从而使其能够在具有不同程度同质性的图上进行表示学习。

    Mar, 2024

  • 基于注意力机制的图聚类网络

    提出了一种名为注意力驱动图聚类网络（AGCN）的深度聚类方法，它利用异质性智能融合模块动态融合节点属性特征和拓扑图特征，并开发了一个分别针对不同层嵌入的多尺度特征进行自适应聚合的规模智能融合模块，通过联合学习特征和聚类分配，可以更加灵活有效地执行聚类任务。实验结果表明，该方法性能优于现有的深度聚类方法。

    Aug, 2021

  • 基于组合的多关系图卷积网络

    本研究提出了 CompGCN，一种新的图卷积框架，可同时嵌入节点和关系，解决了处理多关系图的过度参数化问题，广义了现有的多关系 GCN 方法，取得了节点分类、链接预测和图分类等多个任务的显着优异结果。

    Nov, 2019

  • 带有全局注意力的 Permutohedral-GCN 图卷积网络

    本文提出了一种具有全局注意机制的图卷积网络，能够选择性地关注和汇聚图中的任何节点，同时使用基于 Permutohedral 网络的近似高斯过滤技术实现全局汇聚方案，从而实现对节点分类性能的优化。

    Mar, 2020

  • 提升图卷积神经网络的关注力

    提出了一种名为图知识增强和蒸馏模块的插件，通过多头注意机制提取和聚合图信息以增强节点表示，并能通过特殊设计的注意力蒸馏方法将大型教师模型的知识蒸馏到高性能和紧凑的学生模型中，并通过注意力蒸馏有效地从大型教师网络转移蒸馏知识到小型学生网络。

    Mar, 2024

  • ESGCN: 基于边缘压缩注意力的图卷积神经网络用于交通流预测

    本文提出了 Edge Squeeze Graph Convolutional Network (ESGCN) 来建模车流的时空动态，使用图卷积网络和自适应邻接矩阵来预测多个区域的交通流量，通过边特征、边注意力机制和节点对比损失等方法提高预测的准确性。在四个真实数据集上 (PEMS03, 04, 07, and 08)，ESGCN 在计算效率和预测性能上均取得了最佳表现。

    Jul, 2023

  • 多关系图的分层注意力模型

    我们提出了 Bi-Level Attention-Based Relational Graph Convolutional Networks (BR-GCN)，这是一种利用具有关系图卷积的掩码自注意力层的独特神经网络架构，能够有效处理高度多关系数据。通过节点级别和关系级别的注意力机制，BR-GCN 模型通过节点级自注意层和关系级自注意层学习节点嵌入，从而在大规模异构图上超过了现有的基线模型。

    Apr, 2024

  • 可学习的图卷积注意力网络

    该研究介绍了图卷积注意力层（CAT）和 GNN 架构（L-CAT），旨在充分利用两种方法的优势并自动插值 GCN，GAT 和 CAT。研究结果表明，在一系列数据集中，L-CAT 能够有效地组合不同的 GNN 层，优于竞争方法，从而减少了交叉验证的需求。

    Nov, 2022