PulseAugur
中
实时 09:20:45
English(EN) Scalable and Efficient Joint Spiking Embedding Predictive Architecture for Large-Scale Dynamic Graphs

SG-JEPA架构提供可扩展、高效的动态图学习 · 跟踪到2个来源

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了一种新颖的架构SG-JEPA，用于学习大规模动态图中的嵌入。该方法在时间上划分节点，以预测彼此的嵌入，并利用脉冲神经元以适应计算约束。SG-JEPA在节点分类任务上表现出有竞争力，并且能够高效地扩展到具有数百万条边的图，通过避免复杂的重构目标和图增强，在训练效率和内存可扩展性方面优于先前的自监督基线。 AI

影响 该架构可以提高欺诈检测和推荐系统等AI应用的效率和可扩展性。

排序理由 该集群包含一篇详细介绍动态图学习新架构的研究论文。

在 arXiv cs.NE (Neural & Evolutionary) 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

SG-JEPA架构提供可扩展、高效的动态图学习 · 跟踪到2个来源

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Huizhe Zhang, Yuchang Zhu, Huazhen Zhong, Liang Chen, Zibin Zheng ·

    面向大规模动态图的可扩展高效联合脉冲嵌入预测架构

    arXiv:2607.18412v1 Announce Type: new Abstract: Dynamic graph learning aims to capture evolving structural and semantic patterns in real-world systems, such as fraud detection and recommender systems. Due to the scarcity of labeled data in real-world dynamic graphs, recent studie…

  2. arXiv cs.NE (Neural & Evolutionary) TIER_1 English(EN) · Zibin Zheng ·

    面向大规模动态图的可扩展高效联合脉冲嵌入预测架构

    Dynamic graph learning aims to capture evolving structural and semantic patterns in real-world systems, such as fraud detection and recommender systems. Due to the scarcity of labeled data in real-world dynamic graphs, recent studies have introduced generative or contrastive para…

相关实体

相关话题