Nov, 2022

PatchGT: 在不可训练聚类之上的 Transformer 模型用于学习图形表征

PDF
TL;DR该论文提出了一种新的基于 Transformer 的图神经网络 Patch Graph Transformer，它学习非可训练图形补丁，而不是直接从节点中学习，并使用谱聚类在无需可训练参数的情况下将图形分割为图形补丁，从而获得更高的表现力和可解释性。
graph learningtransformerpatch graph transformerspectral clusteringinterpretability
发现论文，激发创造
  • 图变换网络

    本论文提出了一种名为 GTNs 的图转换器网络，能够在图上进行节点表示的学习，同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明，GTNs 有效地生成新的图结构，通过卷积在新图上产生具有强大表现力的节点表示，并在三个基准节点分类任务中取得了最佳表现。

    Nov, 2019

  • 超图变换器用于半监督分类

    通过全球节点和超边之间的全球关联以及捕捉节点和超边之间的局部连接性，提出了一种新颖的超图学习框架，称为 HyperGraph Transformer（HyperGT），该框架利用基于 Transformer 的神经网络结构来有效地处理超图结构化数据，实现了全面的超图表示学习，并在超图节点分类任务中取得了出色的性能，超过了现有方法，建立了新的基准水平。

    Dec, 2023

  • GTNet：用于 3D 点云分类和语义分割的图形变换网络

    该研究提出了一个名为 Graph Transformer 的新特征提取模块，它能够在局部和全局模式下学习点云特征。该模块将基于图形和变压器的方法的优点相结合，并包括局部变换器和全局变换器模块。在此基础上，构建了一个 3D 点云网络 GTNet，可以用于形状分类、部分分割和语义分割任务。

    May, 2023

  • 大规模图的图转换器

    本研究使用可扩展的图转换器（GT）框架来进行单个大规模图的表示学习，并提出了快速的采样技术和局部注意机制，以解决全局注意机制在大规模图上的计算复杂性问题。在三个大规模节点分类基准测试中，我们验证了 LargeGT 框架，并取得了 3 倍的加速和 16.8％的性能提升。

    Dec, 2023

  • 关键图变换器用于图像修复

    该论文介绍了一种名为 Key-Graph Transformer（KGT）的方法，它有效地在高分辨率输入中集成全局信息，提供了计算效率以及在 6 个图像恢复任务中的先进性能。

    Feb, 2024

  • 使用图掩码建模的图变换生成式对抗网络用于架构布局生成

    通过图 Transformer 生成对抗网络，在图约束的建筑布局生成任务中学习有效的图节点关系，提出了连接节点注意力和非连接节点注意力以及基于节点分类的鉴别器等关键技术，实现了对三个建筑布局生成任务的最新最优结果。

    Jan, 2024

  • 图像解析的图推理变压器

    本文提出了一种基于图推理的转换器模型，通过引入关系推理模式来解决传统基于注意力机制的图像补丁交互中存在的问题，并在计算效率和相对于现有转换器基线的性能表现上实现了显著提高。

    Sep, 2022

  • 增强属性聚类的图形转换：一种创新的图形转换器方法

    本研究引入一种新的方法，将图自编码器与图变压器相结合，称为 GTAGC，以解决传统方法无法捕捉图中节点间复杂全局依赖情况的问题，该方法在基准数据集上表现出卓越性能，展现了图聚类方面的应用前景。

    Jun, 2023

  • GTC：GNN-Transformer 自监督异构图表示的共同对比学习

    提出了一种结合 GNN 和 Transformer 的新框架，利用 GNN 的局部信息汇聚和 Transformer 的全局信息建模能力解决过度平滑问题，构建了 GTC 体系结构，通过对跨视图信息进行自我监督的对比学习任务实现异构图形表示学习。

    Mar, 2024

  • 异质图变换器

    本文介绍了一种用于建模 Web 规模异构图的异构图转换器架构（HGT），通过设计基于节点类型和边类型的参数来实现异构性，并引入相对时间编码技术和异构迷你批图采样算法来处理动态异构图数据，实验表明，所提出的 HGT 模型在各种下游任务中始终优于所有最先进的 HNN 基线 9％至 21％。

    Mar, 2020