研究人员开发了一种分析异质图的新方法。异质图的特点是边表示不相似性或结构排斥性。传统的图神经网络通常假设一个对异质图不适用的正定几何先验。为了解决这个问题，引入了一个新的度量——图签名指数（$s_{\mathcal{G}}$），用于衡量这些几何假设中的不匹配程度。在此基础上，提出了伪黎曼注意力网络（PRAT），它利用了一个可学习的、可以是无限的度量，使其能够更好地捕捉异质图中复杂的关联。PRAT在十五个节点分类基准测试中表现出具有竞争力或更优的性能。 AI
影响 引入了一种处理异质图的新颖方法，有望提高图基机器学习任务的性能。
排序理由 该集群包含一篇详细介绍图分析新模型和度量的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Graph Neural Networks
- Graph Signature Index
- heterophilic graphs
- Pseudo-Riemannian Attention Network
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
