Graph Attention Networks
PulseAugur coverage of Graph Attention Networks — every cluster mentioning Graph Attention Networks across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
图注意力网络在土壤微塑料和有机物预测方面展现出潜力
研究人员开发了一种新颖的深度学习方法，使用图注意力网络（GATs）来预测土壤微塑料和有机物。该模型在91个地理参考土壤样本上进行训练，在捕捉局部空间依赖性方面表现出强大的能力，并实现了微塑料和有机物的低均方根误差（RMSE）值。然而，该研究也强调了由于样本量小和图结构稀疏而导致的泛化能力有限，这表明需要更密集的数据集来改进未来的空间土壤预测。
-
深度学习模型有望通过脑电图对睡眠呼吸暂停进行分类
研究人员开发了深度学习模型，通过脑电图（EEG）信号对睡眠呼吸暂停进行分类，旨在减少传统多导睡眠图（polysomnography）对资源的密集需求。该研究比较了包括Vision Transformer和Graph Attention Networks在内的各种架构，使用了原始时间数据、频谱图和拓扑数据分析特征等不同的信号表示。在575名儿科受试者的数据集上，一个在拓扑数据分析特征上训练的Vision Transformer模型取得了…
-
HiFi-LLP 预测器以置信度指标加速硬件感知神经架构搜索 · 跟踪 2 个来源
研究人员开发了 HiFi-LLP，这是一种新颖的延迟预测器，旨在加速边缘设备上深度神经网络的硬件感知神经架构搜索 (HW-NAS)。该预测器利用图注意力网络并包含一个置信度指标，以提高准确性并减少对广泛硬件在环测试的需求。HiFi-LLP 在 LatBench 数据集上表现出比现有特定平台预测器更高的相关性和准确性。一个混合 NAS 框架利用 HiFi-LLP 的置信度分数选择性地使用硬件反馈，从而在保持具有竞争力的结果的同时显著加快搜索过程。
-
AI模型通过语音分析以90%的准确率检测阿尔茨海默病
研究人员开发了一种新颖的多视图门控图注意力网络，用于通过自发语音检测阿尔茨海默病（AD）。该模型从转录的音频中构建语义图、依赖图和共现图，并通过“内容-结构-流程”框架分析语音。一项关键创新是使用共现图中的点互信息（PMI）来评估叙事逻辑和语言偏差。该网络还采用自适应门控融合机制，动态整合这些不同的数据视图，以应对AD的临床异质性。在ADReSSo数据集上进行测试，该模型达到了90.00%的准确率，消融研究突显了基于PMI的图和门控机…
-
利用邻近图增强的图神经网络用于沙尘排放预测
研究人员开发了一种新方法，通过整合邻近图来增强图神经网络（GNNs）在沙尘源排放预测中的应用。这些图，包括 Delaunay 三角剖分、Gabriel 图、k-最近邻图和 Yao 图，被用作 GraphSAGE、图卷积网络（GCNs）和图注意力网络（GATs）等各种 GNN 架构的输入。研究表明，使用邻近图的 GNN 在准确预测沙尘现象方面，其性能显著优于使用随机图的模型，并且也优于传统的长短期记忆（LSTM）模型。
-
新的GAT-MDN模型通过不确定性建模改进薪资预测
研究人员开发了一个名为GAT-MDN的新框架，通过考虑薪酬数据的固有不确定性和多模态性质，实现更准确的薪资预测。该方法利用图注意力网络（GATs）从地点和职业等工作属性中学习表示，并整合了层级和语义关系。然后，该模型采用混合密度网络（MDN）输出完整的条件薪资分布，在对大型荷兰招聘数据集的实验中优于传统方法。
-
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。
-
深度学习框架增强投资组合优化策略
研究人员正在开发用于投资组合优化的先进深度学习框架，旨在提高金融市场表现。一种方法使用神经网络直接优化夏普比率和CVaR等金融指标，实现了显著优于传统方法和标普500的表现。另一种方法采用具有Soft Actor-Critic的深度强化学习，在全球市场动态配置资产，在不确定时期显示出潜力。第三个框架整合了LSTMs、GATs和金融新闻的情感分析，创建每日配置，在一个较小的股票范围内跑赢基准。