BriefGPT.xyz
大模型
Ask
alpha
关键词
graph-based tasks
搜索结果 - 3
ERASE:图上的容错错误鲁棒表示学习
通过最大化编码率减少,ERASE 方法通过在图中学习具有容错性的表示来增强深度学习模型对于标签噪声的鲁棒性,结合原型伪标签与传播去噪标签更新表示,并通过预纠正噪声标签以及处理有噪声图数据来显著提高节点分类的泛化性能。
PDF
7 months ago
G-Adapter:面向图变换器网络的结构感知参数高效迁移学习
本文旨在探索将 Parameter-Efficient Fine-Tuning (PEFT) 技术应用于基于图的任务,提出了一种名为 G-Adapter 的新型结构感知 PEFT 方法,并使用 Bregman Proximal Point
→
PDF
a year ago
WWW
无模型增强的图分类准确性提升
本研究提出了两种模型无关的图形数据增强方法 NodeSam 和 SubMix,以优化图形分类任务的性能。我们实验结果表明 NodeSam 和 SubMix 在社交网络和分子图中的表现优于现有方法。
PDF
2 years ago
Prev
Next