HOPPER框架通过可学习的跳数提取增强图序列模型

研究人员推出了一种新颖的框架HOPPER，旨在增强线性化图序列模型（LGSMs）。与依赖固定图算子的先前LGSMs不同，HOPPER能够实现跳数序列的端到端学习，从而实现针对特定图结构、节点特征和下游任务量身定制的自适应传播机制。这种方法保留了置换等变性，并在ECHO-Synth和LRIM等基准测试中展示了最先进或具有竞争力的性能，尤其是在图表示学习中处理长距离依赖关系方面。 AI

影响 通过在序列模型中实现自适应传播机制来增强图表示学习。

排序理由 该集群包含一篇详细介绍新模型架构的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• ECHO-Synth
• Gotit.pub
• HOPPER
• Hugging Face
• Laboratoire Recherche Informatique Maisonneuve
• Linearized Graph Sequence Models
• ScienceCast

• 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 →