MMApr, 2024

用于逼近论证可接受性的图卷积网络和图注意力网络 -- 技术报告

PDF
TL;DR通过改进 Graph Convolutional Networks 的性能以及使用 Graph Attention Networks，提高抽象论证的计算效率。
abstract argumentationneural networksgraph convolutional networksgraph attention networksefficiency
发现论文，激发创造
  • 可学习的图卷积注意力网络

    该研究介绍了图卷积注意力层（CAT）和 GNN 架构（L-CAT），旨在充分利用两种方法的优势并自动插值 GCN，GAT 和 CAT。研究结果表明，在一系列数据集中，L-CAT 能够有效地组合不同的 GNN 层，优于竞争方法，从而减少了交叉验证的需求。

    Nov, 2022

  • 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

  • DAGCN: 双重注意力图卷积网络

    本研究提出了一种新的框架，双注意力图卷积网络，用于解决图分类任务中邻域汇聚和池化操作的问题，并通过实验比较证明了该模型优于其他基线模型和深度学习方法。

    Apr, 2019

  • 基于注意力机制的图卷积网络，融合潜在结构和多个特征

    本文提出了利用结构信息和多种注意力函数计算权重的关注型空间图卷积（AGC）方法以及基于该方法的用于分类和预测点云标签的图神经网络（GNN）模型，实验结果表明，所提出的 GNN 性能优于现有方法。

    Mar, 2023

  • 交通流量预测的自适应图卷积网络

    该论文提出了一种新颖的自适应图卷积网络（AGC-net），通过自适应图卷积（AGC）和一种上下文关注机制，将空间图表达转换为实时特征，考虑到时间上下文，在公共交通数据集上展现了其明显的优于基础模型的有效性。

    Jul, 2023

  • 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

  • 可解释的图卷积神经网络用于处理带噪声知识图谱的推断

    本文提出了一种新的 Graph Convolutional Neural Networks 的表达方式，可用于在具有噪声的生物医学知识图上进行链接预测，并且提出了一种正则化的注意机制以提高模型性能和可解释性，通过这些改进方法，我们展示了在海量的生物医学知识图中使用该方法优于其他模型的表现且具有可解释性。

    Dec, 2018

  • GaAN: 基于门控注意力的大规模时空图学习网络

    该文提出了一种新的网络架构 —— 门控注意力网络（GaAN），用于学习图形。该架构使用卷积子网络来控制每个注意力头的重要性，证明了其在归纳节点分类问题和交通速度预测问题上的有效性，并在三个真实世界数据集上取得了最先进的结果。

    Mar, 2018

  • 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

  • 基于特征注意力的图卷积网络实现噪声鲁棒性学习

    本文提出了一个处理节点内容嘈杂且稀疏的特征关注图卷积学习框架，采用长短期记忆网络学习每个节点的密集表示，引入特征 - 注意机制，允许相邻节点学习和变化特征重要性，并使用基于谱的图卷积聚合过程，该方法在不同噪声水平下表现出优于现有方法的性能。

    Dec, 2019