研究人员推出了一种新颖的框架HetSheaf，通过利用细胞层来学习异构图。该方法将异构性直接编码到数据结构中，从而实现类型感知的局部特征空间和基于节点和边类型的学习限制映射。与现有的同质、异构和类型无关的层基线相比，HetSheaf在节点分类、链接预测和图分类任务上表现出优越的性能，同时显著减少了参数数量。 AI
影响 引入了一个新颖的异构图学习框架，其性能优于现有方法并减少了参数数量。
排序理由 该集群包含一篇详细介绍图神经网络新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Cellular sheaves
- GAT
- GraphSAGE
- Heterogeneous Graph Benchmark (HGB)
- Heterogeneous graphs
- HetSheaf
- R-GCN
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →