图卷积对图中节点的特征和图结构建模,本文中作者首先移除图卷积中的非线性变换,发现在GCN中起关键作用的是传播层,而不是感知层。然后提出AGNN模型,在传播层引入attention机制,使中心节点特征的聚合过程中,对邻居节点的注意力产生差异。模型在benchmark测试用的文献引用数据集上的效果优于其他state-of-the-art的方法。
跨层GAT: 分为五个子类,即多级注意力、多通道注意力、多视角注意力、时空注意力和时间序列注意力。 Graph Transformer:分为标准Transformer和GNNTransformer两类。 表1总结了每一个子类的代表性工作。 4.图递归注意网络(GRAN) 4.1 GRU-attention 基于门控循环单元(GRU)的GRAN模型包括: GGNN:在图上引入GRU和软注意...
论文题目:Direct multi-hop Attention based Graph neural Network (现在已被IJCAI-2021接受) 个人注释:该文章的作者单位包括京东AI Research和斯坦福大学,通讯作者是图学习巨佬 Jure Leskovec,于2020年10月2号放在arXiv上,原文链接如下。在本文中,图(graph)和网络(network)的意思是等价的。 https://arxiv.org/ab...
论文：Attention-based Graph Neural Network for semi-supervised learning 代码：dawnranger/pytorch-AGNN...
GAPNet: Graph Attention based Point Neural Network for Exploiting Local Feature of Point Cloud Hengshuang Zhao Li Jiang Chi-Wing Fu Jiaya Jia The Chinese University of Hong Kong Tencent Youtu Lab 论文地址:https://arxiv.org/abs/1905.08705
Here we develop a new self-attention based graph neural network called Hyper-SAGNN applicable to homogeneous and heterogeneous hypergraphs with variable hyperedge sizes. We perform extensive evaluations on multiple datasets, including four benchmark network datasets and two single-cell Hi-C datasets in...
Attention-Based Multi-Perspective Convolutional Neural Networks for Textual Similarity Measurement 本文的任务是STS(semantic textual similarity)指给定一个检索句子和比较的句子,计算他们的相似度得分。 过去的模型,把输入的句子独立对待,忽略了句子的上下文交互。attention也就是因此而引入的。
Graph Neural Networks LabML. https://nn.labml.ai/graphs/index.html (2023).7.LaBonne, M. Graph Attention Networks: Theoretical and Practical Insights https : / / mlabonne . github.io/blog/posts/2022-03-09-graph_attention_net...
Personalizing Graph Neural Network SR-GNN中的图神经网络不适合个性化推荐场景,也不能充分利用用户的个性化信息。为了解决这一局限性,作者提出了PGNN。 在t时刻节点i的输入输出的聚合信息, 和 分别表示用户行为图中的出边和入边的邻接矩阵 用GRU更新每个节点的隐藏状态 ...
Attention-Based Multi-Perspective Convolutional Neural Networks for Textual Similarity Measurement 本文的任务是STS(semantic textual similarity)指给定一个检索句子和比较的句子,计算他们的相似度得分。 过去的模型,把输入的句子独立对待,忽略了句子的上下文交互。attention也就是因此而引入的。