Mar, 2021

HAConvGNN: 基于分层注意力的卷积图神经网络，用于 Jupyter Notebook 中的代码文档生成

PDF
TL;DR本文提出了一种新的任务 —— 计算笔记本代码文档生成（CDG），并提出了一种新模型（HAConvGNN），通过分层注意机制考虑相关代码单元和相关代码标记信息来生成文档，实验结果表明，与其他基线模型相比，我们的模型表现更优。
发现论文，激发创造
  • 层次化的注意力混合神经网络用于文档分类

    本文提出了一种基于卷积神经网络、门控递归单元和注意机制的组合方法，用于文档分类任务，并通过层次结构表示提取了更有意义、更可泛化和抽象的特征，改善了当前基于注意力机制的文档分类方法的结果。

    Jan, 2019

  • 用于源代码极端摘要的卷积注意力网络

    本文中，我们介绍了一种利用卷积神经网络检测具有局部平移不变性和长远主题型注意力特征的关注神经网络，用于解决将源代码片段极端归纳为类似函数名称的概述的问题，在十个流行的 Java 项目中进行测试，并显示出优于之前注意性机制的性能。

    Feb, 2016

  • 超图卷积和超图注意力

    该研究引入了两个可端到端训练的操作符，在超图卷积和超图注意机制方面，以在高阶关系的图结构数据上有效地学习深度嵌入，并在半监督节点分类方面展示了其有效性。

    Jan, 2019

  • 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

  • 利用门卷积和笔记 - 代码交互进行医学编码分配

    本研究提出了一种基于门控卷积神经网络和笔记代码交互的新方法，以自动进行医学代码分配，该方法在现实世界的临床数据集上实验验证其有效性，性能优于现有模型。

    Oct, 2020

  • 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

  • Doc-GCN: 面向文档布局分析的异构图卷积网络

    我们提出了一种新的文档布局分析方法，即 Doc-GCN ，该方法通过构建图形来描述文档的固有特征并将这些信息应用于图卷积网络中。最终结果表明，我们的方法在三个常用的 DLA 数据集中取得了新的最佳结果。

    Aug, 2022

  • Seq-HyGAN: 基于超图注意力网络的序列分类

    提出了一种名为 Seq-HyGAN 的超图注意力网络模型用于解决序列分类的挑战，并使用两级注意机制生成序列表示为超边，同时学习每个序列的关键子序列。实验结果表明，Seq-HyGAN 模型可以有效地分类序列数据并显着优于基线。

    Mar, 2023

  • 基于模 motif 的注意力机制的图卷称神经网络

    本文提出了一种新颖的框架，可以在任意图上学习空间和关注卷积神经网络，通过子图归一化和自我关注层，可以显著提高传统图内核和现有深度模型的图分类基准。

    Nov, 2018

  • 面向大规模多标签文本分类的层次化分类感知及关注图胶囊 RCNNs

    我们提出了一种新的层级分类感知和注意图胶囊递归卷积神经网络框架，以实现大规模多标签文本分类。

    Jun, 2019