- NIPS自动驾驶车辆的多模态轨迹预测:基于语义地图与动态图注意力网络
本文研究自动驾驶汽车预测未来路障轨迹的问题,提出了一种基于动态图注意力网络的方法,针对交通规则、社交互动、多类交通运动等方面的挑战,能够使用单一模型对多模态轨迹进行概率预测,并经过多个数据集的验证,证明该方法具有实际应用潜力且优于现有技术。
- 使用图注意力网络的全双工 RIS 辅助 HAPS 回传信道估计
本文利用图注意力网络(GAT)进行信道估计,在高空平台站(HAPS)上使用可重构智能表面协助的双向通信,获得低开销和高规范化均方误差性能,并证明 GAT 估算器在全双工信道估计中优于最小二乘估计。
- ACL场景图是否足够好以改进图像字幕?
本文探讨了使用场景图在图像字幕生成中的应用,研究表明添加场景图编码器可以提高字幕描述效果,提出了一种 C-GAT 模型,该模型条件化图更新功能,使用高质量的场景图可与现有的底部 - 顶部基准模型相比获得 3.3 CIDEr 改进。
- EMNLP面向文本的数值推理问题导向图注意力网络
提出了一种异构图表示,驱动多步骤的基于问题的图注意力网络,用于完成机器阅读理解中的数字推理任务,具有自然语言理解和算术计算的双重要求。
- 使用文档级异构图注意力网络进行对话关系抽取
本研究提出了一种基于图注意力网络的对话关系提取方法,该方法能够有效捕捉对话中不同实体对之间的关系和解释人际关系,从而使得对话数据更好地用于构建知识图谱和开发智能对话系统。
- ACL具有结构感知编码和解码的 DRTS 语法解析
本文提出了一种结构感知模型,利用图注意力网络在编码器和解码器阶段整合结构信息,从而改进 Discourse Representation Tree Structure(DRTS)解析任务,实验证明该模型在该领域取得了最佳性能。
- 面向新闻推荐的图增强表示学习
该论文提出了一种基于图注意机制和变压器结构的新闻推荐方法,可以通过对历史用户点击行为的图谱表达用户和新闻相关性,进而学习用户和新闻的表征,实现个性化推荐。
- 基于注意力图神经网络的多标签文本分类
本文介绍了一种基于图注意力网络的模型,用于捕捉标签之间的关注依赖结构。该模型使用特征矩阵和相关矩阵来探索标签之间的关系,并生成可用于端到端训练的分类器。该模型在 5 个真实的多标签文本分类数据集上表现出与先前的最先进模型相似或更好的性能。
- KDD具有快速特征值逼近的谱图注意力网络
本文提出 Spectral Graph Attention Network 和 SpGAT-Cheby 两种新的基于注意力机制的子图表示学习算法,具备捕捉图形全局特征和更少的学习参数的能力,通过半监督节点分类实验验证了算法的效果。
- EMNLP基于图神经网络的句法感知方面级情感分类
本文提出了一种基于目标相关性的图形注意网络(TD-GAT),以在对句子的句法结构进行显式利用的基础上实现对方面级别情感分类的准确识别,并使用 BERT 表示进一步提高了性能。
- Social-BiGAT: 使用自行车生成对抗网络和图神经网络的多模态轨迹预测
本论文提出了 Social-BiGAT,一种基于图形的生成对抗网络,可通过更好地建模场景中行人之间的社交互动来生成逼真的多模态轨迹预测。与现有文献相比,我们通过图形注意力网络(GAT)学习可靠的特征表示来编码场景中人类之间的社会互动,以及逆 - 图神经网络:方法和应用综述
本文介绍了图神经网络(GNNs)的设计管道,详细讨论了其各个组成部分的变体,对其应用进行了系统分类,并提出了四个开放性问题供未来研究。