Mar, 2024

SiGNN: 动态图表示学习的基于脉冲激发的图神经网络

PDF
TL;DR通过融合 SNN 和 GNN 并应用新颖的 Temporal Activation 机制，该研究提出了一种名为 SiGNN 的框架，用于在动态图上学习增强的时空表示，通过在多个时间粒度上深入分析动态图中的演化模式实现多尺度时空节点表示。实验证明 SiGNN 在节点分类任务中具有出色的性能。
发现论文，激发创造
  • 动态脉冲图神经网络

    该研究论文提出了一种名为动态神经图网络（Dynamic Spiking Graph Neural Networks）的框架，用于解决动态图表示学习中的信息丢失和内存要求问题，通过将早期信息直接传递到最后一层以进行信息补偿，并在动态图环境中扩展了隐式微分以适应内存要求，并通过在三个大规模实际动态图数据集上的大量实验证明了其在动态节点分类任务上的有效性与较低的计算成本。

    Dec, 2023

  • 通过脉冲神经网络扩展动态图表示学习

    介绍一种名为 SpikeNet 的可扩展框架，它旨在使用脉冲神经网络（SNNs）而非循环神经网络（RNNs）来捕获时变图的时变和结构模式，SpikeNet 在计算成本更低的情况下在时态节点分类任务上超过了强基线，并具有更少的计算负担。

    Aug, 2022

  • 使用注意力驱动的脉冲神经网络增强图表示学习

    本文提出了一个将注意机制与脉冲神经网络 (SNN) 相结合的新方法，以改进图表示学习的能力。该方法能够在学习过程中选择性地关注图中重要的节点和相应的特征，并在多个基准数据集上进行评估，结果显示其性能与现有的图学习技术相当。

    Mar, 2024

  • 带有突触延迟的时间脉冲神经网络用于图形推理

    SNNs, when combined with synaptic delay and temporal coding, demonstrate efficient graph reasoning and achieve significant energy savings compared to non-spiking networks.

    May, 2024

  • 自适应脉冲循环神经网络精确高效的时间域分类

    本文介绍了一种使用新颖代理梯度和可调谐自适应尖峰神经元的循环网络，将基于脉冲的神经网络的性能提高至具有挑战性的时间域基准的最新水平，并展示了这些 SNN 的计算效率比具有可比性能的 RNN 高出一到三个数量级，从而使 SNN 成为 AI 硬件实现的有吸引力的解决方案。

    Mar, 2021

  • 神经网络下的动态图表征学习：综述

    本文回顾了动态图学习的问题和模型，分析和讨论了各种动态图的监督学习设置，并确定了现有模型的相似之处和不同之处，最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。

    Apr, 2023

  • EEGSN: 基于图峰值神经网络的脑电解码高效低延迟实现

    我们提出了一种基于图的神经脉冲网络结构来进行多通道脑电图分类的方法（Graph Spiking Neural Network architecture for multi-channel EEG classification）。相较于目前最先进的 SNN（Spiking Neural Network），我们的方法提高了计算效率，降低了计算复杂度，并在运动执行分类任务中取得了与当前方法相当的准确性。

    Apr, 2023

  • 流式图神经网络

    本文提出一种新的动态图神经网络模型 DGNN，能够利用图的动态信息，通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性，不断更新节点信息，以适应不断发展变化的图，实验结果证明了该框架的有效性。

    Oct, 2018

  • 脉冲图卷积网络

    本文提出了 SpikingGCN，一个将 GCN 的嵌入与 SNN 的生物保真特性整合在一起的端到端框架，实现了在众多场景中能够达到竞争水平的性能，同时在神经形态芯片上实现了能效的优势，展示了其建立环境友好的机器学习模型的巨大潜力。

    May, 2022

  • 基于时间图的动态图深度学习

    本文提出了一种称为 TGN 的新型深度学习框架，可以有效地在动态图形学中学习演化特征或连接。

    Jun, 2020