Apr, 2023

双层注意力图神经网络

PDF
TL;DR本文提出了一种可扩展的 Bi-Level Aufmerksamkeitsgraph-neuronale Struktur (BA-GNN)，该结构使用新的双层图注意机制，以从局部邻域上下文中层次化地注意来自本地邻域上下文的节点 - 节点和关系 - 关系交互，该方法用于有效建模多关系和多实体的大规模异构图。该方法被证明在七个真实世界的异构图上表现良好，并显示了学习到的关系 - 级别注意力的质量和可转移性，在提高其他 GNN 性能方面也得到应用。
发现论文，激发创造
  • 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

  • 异构图注意力网络

    该论文提出了一种基于分层注意力机制的异构图神经网络，包括节点层次和语义层次的注意力机制，通过从元路径邻居中汇总特征来生成节点嵌入，其在三个真实的异构图上表现出优越性能且有助于图分析。

    Mar, 2019

  • 鲁棒大规模网络定位的注意力图神经网络

    提出了一种基于图神经网络的网络定位方法，通过结合关注机制，在严重的非直线视线传播情况下实现了卓越的稳定性和准确性，消除了离线校准或非直线视线识别的需求。

    Nov, 2023

  • 图注意力回顾

    本文针对图神经网络进行多个实验，并研究其在节点分类问题中的理论表现。研究结果指出，图注意力机制可以区分类内和类间边缘，重要边的权重得以保留，进而实现完美的节点分类。

    Feb, 2022

  • 图注意力架构的鸟瞰教程

    本文系统而集中地介绍了基于注意力机制的图神经网络在自然语言处理、计算机视觉和推荐系统等领域的应用，以及它们的优缺点。

    Jun, 2022

  • SplitGNN: 基于异构注意力的节点分类 Splitting GNN

    本文提出了一种名为 SplitGNN 的模型，利用分裂学习的方式，在对保护隐私具有强需求的情况下，连接异构邻居，通过异构关注 (HAT) 机制，学习多跳关系特征，并在各类标准数据集以及实际世界数据集上比现有技术表现显著更好。

    Jan, 2023

  • 基于注意力机制的异构结构学习图神经网络

    本文针对异构信息网络（HIN）的图表示学习进行了研究，并提出了一种新颖的基于异构图结构注意力神经网络（HetSANN）的方法，该方法在不需要领域专家设计元路径方案的情况下能够自动处理异构信息。实验证明，该方法相较于现有的 HIN 嵌入模型有显著和一致的提升。

    Dec, 2019

  • HAHE: 全球和本地层次上的超关系知识图谱的分层注意力

    本研究提出了一种用于超关系知识图 (HKG) 嵌入的分层注意力模型 (HAHE)，该模型具有全局级别和本地级别的注意力机制，可以有效地建模 HKG 的图形和顺序结构，实现了在 HKG 标准数据集上的前沿预测效果。

    May, 2023

  • 双曲异质图注意力网络

    提出了利用超几何空间和元路径实例学习异构图的向量表示的超几何异构图注意力网络（HHGAT），在三个真实的异构图数据集上的实验证明 HHGAT 在节点分类和聚类任务中优于现有的异构图嵌入模型。

    Apr, 2024

  • BAG：双向注意力实体图卷积网络用于多跳推理问答

    该研究提出了基于双向注意力实体图卷积 (BAG) 网络的多跳推理问题回答方法，通过图卷积网络获得实体图节点的关系感知表示，进而使用双向注意力机制生成问题感知节点表示，实现了在 QAngaroo WIKIHOP 数据集上准确性能最优的效果。

    Apr, 2019