研究人员推出了一种新颖的门控混合图神经网络架构SiGMA,旨在解决图级异构性问题。该架构在每一层结合了消息传递和注意力机制,并通过学习到的节点级sigmoid门进行调节。这种自适应方法允许SiGMA根据输入图的复杂性和特征动态调整局部和全局计算策略。实证结果表明,与现有的图Transformer和混合模型相比,SiGMA在图级基准测试中取得了具有竞争力或更优的性能,为更灵活的图学习指明了一个有前景的方向。 AI
影响 这种新架构可能在各种应用中带来更有效和更具适应性的图学习模型。
排序理由 该集群描述了一篇关于图学习新模型架构的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Gated Message-Passing and Attention
- graph neural networks
- Hugging Face
- large-language models
- Lukas Fesser
- SiGMA
- Sigmoid Gated Message-Passing and Attention
- Vision Transformers
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →