动态图消息传递网络
本论文提出了一种动态图消息传递网络,用于进行长程依赖性建模,以用于图像识别。该网络采用自适应抽样节点的方法,在传递信息时动态地预测节点相关过滤器权重和关联矩阵,以实现对自我注意机制的设计。研究结果表明,基于该模型的 Transformer 骨干网络在图像分类和物体检测等四种不同任务上,相对于现有的最先进技术,能够显著提升性能,同时性能优于完全连接的图并使用更少的浮点运算和参数。
Sep, 2022
本文提出了一种动态密集图卷积网络(DD-GCN),它通过构建密集图和实现集成的动态信息传递来解决了骨骼序列构建图以及在图上进行信息传递的问题,在基准数据集上取得了明显的优越性能。
Nov, 2023
通过在变分推断框架中赋予消息传递架构自由适应其深度和筛选消息的能力,本研究提出了一种能够更好捕捉长程相互作用的简单策略,并在与该问题相关的五个节点和图预测数据集上超越了现有技术水平,稳定提高了基线方法在这些任务上的性能。
Dec, 2023
本文提出了一种分离式图神经网络方法,适用于连续型和离散型大型动态图,通过统一的动态传播方法,能够在预测任务中支持序列模型,实现了卓越的可扩展性和表现力,实验结果在连续型和离散型动态图上均达到了最先进表现。
May, 2023
本研究提出了基于动态修剪的消息传递网络 (DPMPN) 来进行大规模知识图谱推理,该模型使用图形式的注意力机制来动态构造和扩展子图,并且能够对输入进行建模,可同时提供图形式的解释和准确的预测,并在知识库完成任务中胜过大部分现有方法。
Sep, 2019
图神经网络是基于迭代计算的节点表示的图机器学习流行架构之一;本文提出了一个新的框架,用于训练图神经网络,其中每个节点可以选择自己的策略,从而更灵活地探索图拓扑结构并进行学习。
Oct, 2023
本文提出一种新的动态图神经网络模型 DGNN,能够利用图的动态信息,通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性,不断更新节点信息,以适应不断发展变化的图,实验结果证明了该框架的有效性。
Oct, 2018