Jun, 2023

利用高阶图注意力网络结合分析进行股票选择

PDF
TL;DR本文提出了一种高阶图注意力网络 (H-GAT)，该网络能够捕捉高阶结构，同时将基本面分析因素与技术分析因素相结合，通过预测股票收益等指标进行实证分析，证明了 H-GAT 方法的优越性。
stock selectiongraph neural networkshigher-order structuresfundamental analysisprofitability
发现论文，激发创造
  • HATS：用于股票走势预测的分层图注意力网络

    本论文提出了一种基于图结构数据的股票市场预测方法，即分层注意力网络（HATS），该方法通过选择性地聚合不同类型的关系信息，将其添加到其每个公司的表示中，并用于预测个股价格和市场指数的走向。

    Aug, 2019

  • 自适应深度图注意力网络

    本文通过系统性实验评估关注网络的层数与性能之间的关系，发现残差连接可以解决 Oversquashing 现象，提高 GAT 模型的性能。因此，我们提出了 ADGAT 变体模型，可根据图的稀疏性自适应选择层数，从而显着提高了模型的性能。

    Jan, 2023

  • 图排序注意力网络

    本文介绍了一种信息理论框架和基于注意力机制的 Graph Ordering Attention (GOAT) 层的思路，用于改善图神经网络 (GNNs) 在建模图结构数据时的精度和性能。在真实的节点分类测试中，GOAT 层表现出显著的改进和优越性能。

    Apr, 2022

  • KGAT: 知识图谱注意力网络推荐

    提出了一种名为 KGAT 的新方法，它结合了知识图谱和嵌入传播技术，旨在显式地建模知识图谱中的高阶关系以提高推荐准确性，并采用注意机制以区分邻居的重要性。实验结果表明 KGAT 显著优于现有的基于知识图谱的推荐方法

    May, 2019

  • 使用同构性在图神经网络中进行监督关注

    本文提出了一种改进图注意力网络中节点分类的方法，使其更能准确地区分不同类别的节点，在多个节点分类数据集上得到了较高的表现。

    Jul, 2023

  • 以少胜多：利用超图注意力网络进行归纳文本分类

    本论文提出了一种基于超图注意力网络的模型 ——HyperGAT，旨在解决文本分类中词语高阶交互捕捉问题和处理大型数据集和新文档的问题，并在多个基准数据集上进行了广泛的实验证明了该方法的有效性。

    Nov, 2020

  • 图注意力网络

    本文提出新颖的神经网络结构图注意力网络（GATs），利用掩码的自我关注层处理图结构化数据的缺点，有效提出解决谱学派图神经网络中的几个关键挑战的方法，并在四个数据集上取得了最先进的结果。

    Oct, 2017

  • GAT 是否失衡？

    基于图神经网络 (Graph Neural Networks) 的优化和学习动态尚未被广泛探索，本研究通过分析图注意力网络 (Graph Attention Network) 提出的保守定律解释了标准初始化中参数变动困难的现象，并提出了一种初始化方案来平衡图注意力网络，使得深层网络更易于训练并加速收敛速度。

    Oct, 2023

  • 异质图中的方向性邻居注意力表示学习

    提出了一种名为 Directional Graph Attention Network (DGAT) 的新型图神经网络结构，利用特征注意力和全局方向信息提高图信息的传播能力，并通过拓扑信息引导的节点剪枝和边添加机制以及新的拉普拉斯矩阵来改善 GAT 存在的局限性，实验证明在真实数据集和合成数据集上，DGAT 在性能上优于传统的 GAT 模型，并在 7 个真实数据集中的 6 个数据集上超越了现有的最先进模型。

    Mar, 2024

  • 图注意力网络的注意力有多聚焦？

    该研究介绍了 Graph Attention Networks (GATs) 架构，它们被认为是最先进的图形表示学习架构之一，但存在限制性静态注意力机制，限制了它们在表达简单图形问题方面的能力；因此，提出了一种动态图形注意力变量 GATv2，相对于 GAT 更具表现力。

    May, 2021