实体
Graph Attention Networks
Graph Attention Networks
PulseAugur coverage of Graph Attention Networks — every cluster mentioning Graph Attention Networks across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
3 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
EssentialGIN使用图网络进行基因预测
研究人员开发了EssentialGIN，一种使用图同构神经网络预测必需基因的新方法。该方法整合了基因表达和同源性信息等生物数据与网络拓扑结构，以提高预测准确性。实验表明，EssentialGIN的性能优于现有的基于中心性和机器学习的方法，尤其是在人类等复杂生物体中。
-
GNNs 难以近似稀疏矩阵分解
一项新的研究论文表明，标准的传消息图神经网络（GNNs）在根本上无法近似稀疏三角分解。研究表明，即使是像图注意力网络（Graph Attention Networks）和图变换器（Graph Transformers）这样的先进架构，在这些任务上也表现不佳，在关键情况下得分相似度较低。研究结果表明，GNNs 需要超越当前传消息范式的全新架构设计，才能有效解决诸如矩阵分解等科学计算问题。
-
新框架解决车联网边缘计算任务卸载问题
研究人员开发了一个名为 FedMAGS 的新框架，用于管理车联网边缘计算系统中的计算任务。该方法结合了图注意力网络和 Seq2Seq 模型来处理复杂的任务依赖关系并生成有效的卸载决策。该框架还融入了联邦元学习，以便在不损害数据隐私的情况下跨不同边缘服务器进行快速适应。