DyGnROLE架构推动有向图边分类研究

研究人员推出DyGnROLE，这是一种新颖的基于Transformer的架构，用于有向动态图上的边分类。该模型通过解耦源节点和目标节点的表示来解决现有架构的局限性，通过单独的嵌入表和角色语义位置编码来捕捉不同的结构和时间上下文。一项关键创新是方向角色对齐（DRA）自监督预训练目标，它学习对齐的源节点和目标节点嵌入空间，在标记数据有限的情况下尤其有效。在四个边分类任务和八个数据集上的评估表明，DyGnROLE的性能持续优于最先进的基线，强调了角色感知学习和不对称预训练对于复杂有向交互的好处。 AI

影响 引入了一种新的架构和预训练方法，用于在动态图上改进边分类，尤其是在标签稀疏的情况下。

排序理由 该集群包含一篇研究论文，详细介绍了用于图神经网络的新模型架构和预训练目标。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Directional Role Alignment
• DyGnROLE
• Gotit.pub
• Hugging Face
• ScienceCast
• Tyler Bonnett

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →