- 脑全景影像转录组学数据增强的可信多视角多模态阿尔茨海默病预测
通过大脑转录组学,我们提出使用信任的多视图多模态图注意力框架 (TMM) 进行阿尔茨海默病 (AD) 诊断,结合了脑的全面转录组和成像数据,并采用图注意力 (GAT) 处理和交叉模态注意力来融合转录组和成像导出的嵌入,使用真假融合的类别概率 - 像素适配器:基于图的场景文本图像超分辨率后处理方法
当前的场景文本图像超分辨率方法主要关注于提取稳健特征、获取文本信息和复杂的训练策略以生成超分辨率图像。然而,现有的方法很少关注将低分辨率图像转换为高分辨率图像过程中至关重要的上采样模块。为了解决这个问题,我们提出了基于图注意力的像素适配器模 - 基于动态图注意力的网格质量评估神经网络:MQENet
通过提出 MQENet 这种基于动态图注意力的结构化网格质量评估神经网络,可以更全面客观地评估工业应用中的结构化网格质量,从而提高流体模拟精度。
- NFTs 到火星:多注意力推荐系统
本文针对非同质化代币(NFT)这个新兴和经济重要的市场,提出了一种叫做 NFT-MARS 的基于多注意力机制的推荐系统,来应对该市场中的挑战,其中该系统特别关注于解决用户 - 项目交互稀疏和多模式特征偏好的问题,并演示了该系统的有效性。
- 多元时间序列异常检测的耦合注意力网络
本文提出了一种名为 CAN(coupled attention-based neural network)的框架,用于动态变量关系特征的多变量时间序列异常检测,通过自适应图学习方法与图关注机制相结合,基于全局 - 局部图来表示全局相关性和动 - 利用 BERT 和图注意力实现机器翻译的句法知识
通过图注意力模型与 BERT 共同表示源语言的句法依赖特征,以丰富源语言的表示并指导目标语言生成,提出了用 SGB 在机器翻译中获取句法知识。这个模型的实验显示,在不损失 BLEU 得分的情况下,可以提高翻译质量,同时探索了句子长度对此的影 - 基于图注意力的个性化网络分布式学习
本文提出了一种基于图注意力机制的分布式深度学习个性化训练算法(GATTA),通过将每个代理视为图中的一个节点并利用其与邻居节点的相关性,学习它们的有用信息以汇聚成本地个性化模型,从而提高分布式学习的效率、收敛速度并降低通信成本。
- 利用图注意力和频率增强机制提高短期风速预测的准确性
本文提出了一种基于图注意力和频率增强机制的图注意力频率增强时空风速预测模型 (GFST-WSF),该模型采用变压器架构进行时间特征提取,并采用图注意力网络 (GAT) 进行空间特征提取,从而提高短期风速预测的准确性。在案例研究中,GFST- - 基于图注意力的部分可观察性均值场多智能体强化学习
本研究提出了一种使用图形注意力机制的新型多智能体强化学习算法(Partially Observable Mean Field Multi-Agent Reinforcement Learning based on Graph-Attenti - 关于带边特征的图注意力分类阈值
本文分析了图注意力网络及其在节点分类任务中的能力,通过对上下文随机块模型的探究,证明了在噪声情况下使用边特征的图注意力不如简单的图卷积,但当边特征干净时可以较好地区分内部边和外部边,以此优于经典的图卷积。
- EMNLP使用压缩图选择网络在长文档问答中捕获全局结构信息
本文提出了一种基于压缩图选择网络来捕捉全局结构的长文本问答模型,主要集中在长文档问答的证据选择阶段。通过本文的大量实验研究证明,该模型在两个数据集上优于以前的方法。
- 基于图自监督学习的分层无人机群集头节点检测
本文探讨了无人机群体网络中集群头检测的问题,并提出了一种基于图注意力和自监督学习的算法来检测单个集群中的高级集群头飞行器,并进一步开发了一种多集群图注意力自监督学习算法来检测多个集群中的高级集群头飞行器。该算法能够高效地检测出所有不同种类的 - AAAI时空交通预测深度学习模型基本要素比较研究
本研究利用四个真实世界的数据集,对四种深度神经网络模型进行了深入比较研究,探讨了它们各自利用不同基本元素(图卷积,图注意力,循环单元或注意机制)对交通预测问题的性能影响。结果表明,使用图注意力的基础模型在长期预测中表现更好,对于 RNN-b - ACL电商搜索中基于图形的多语言产品检索
本文介绍了一种通用的端到端多语言检索系统,基于图注意力和转换器的多语言语言模型,旨在处理全球电子商务业务中的产品检索,离线实验结果表明,该算法平均超过最先进的基线的 35 % 的召回率和 25% 的平均均方误差。
- 提高抽象摘要的事实一致性
文章提出了一种基于事实感知的自动摘要模型 FASum,通过图注意力来提取和整合摘要生成过程中的事实关系,并设计了一个名为 FC 的事实校正模型来自动纠正现有系统生成摘要中的事实错误。实证结果表明,基于事实感知的自动摘要可以生成具有更高事实一 - 利用局部和全局结构进行点云语义分割,使用上下文点表示
本篇论文使用上下文点表示方法,提出了一种基于点云局部和全局结构的创新模型,使用门控融合和图形点网络模块进行语义分割,借助空间性和通道性的注意力策略,以 S3DIS 和 ScanNet 数据集为基础,效果超过现有最先进的方法。
- 上下文图注意力用于回答不完整知识图谱中的逻辑查询
本文提出了一种名为 Contextual Graph Attention(CGA)的多头注意力的端到端端逻辑查询答案模型,使用初始邻域聚合层来生成中心嵌入,利用图注意力机制来处理不同查询路径的不同贡献,并使用 DB18 和 WikiGeo1 - 双源图卷积网络
本文提出了一种 Dual-Primal Graph CNN 的图卷积体系结构,该方法允许学习顶点和边特征,并在许多基准测试上展示了最先进的结果.