Mar, 2024

MPXGAT：一种基于注意力机制的深度学习模型，用于多重网络嵌入

PDF
TL;DRMPXGAT 是一种基于注意力机制的深度学习模型，专门用于多重图嵌入，通过利用图注意力网络（GATs）的鲁棒性，它捕捉多重网络的结构，从而促进了网络多个层内和层间的准确链路预测。我们在各种基准数据集上进行的全面实验评估证实，MPXGAT 始终优于最先进的竞争算法。
graph representation learningmpxgatmultiplex graph embeddinggraph attention networkslink prediction
发现论文，激发创造
  • 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

  • 图注意力多层感知机

    本文提出了一种新的图神经网络架构 - 图注意力多层感知器（GAMLP），并在多个真实世界数据集和大规模工业数据集上进行了评估，证明了 GAMLP 在扩展性和效率方面具有最先进的性能。

    Jun, 2022

  • 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

  • 稀疏图注意力网络

    该论文提出了一种基于 L0 正则化的 Sparse Graph Attention Networks，可以对大规模、复杂的图进行特征聚合，鲁棒性与有效性更高，达到与原始图相同或更高的预测性能；同时，其使用结果可视化和量化表达，让人更加容易理解。

    Dec, 2019

  • 面向小型稀疏图结构的图注意力网络在汽车应用中的优化与解释

    本文探讨了基于图注意网络的 GATv2 在小型稀疏图结构中可能遇到的一些优化问题，并提出了改进的解决方案和方法，通过实验结果验证改进后的模型方案在节点级别回归任务中表现更好，同时提高了参数初始化的鲁棒性，并对其解释性进行了分析，以此来深入了解注意力机制。

    May, 2023

  • 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

  • 面向大规模多机器人路径规划的消息感知图注意力网络

    本文介绍了一种基于 Graph Neural Networks 和注意力机制的多代理路径规划算法，在实验中表现良好，即使在非常大规模的情况下也能取得比基准模型高 47％的成功率。

    Nov, 2020

  • 基于大边际约束的图注意力网络的改进

    本研究提出了一种通过训练中的注意力基于边界值约束来缓解过度平滑和过度拟合的图注意力网络架构。实验证明该方法在常见基准数据集上比之前最先进的图注意力方法有了显著的改进

    Oct, 2019

  • 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