实体
graph learning
graph learning
PulseAugur coverage of graph learning — every cluster mentioning graph learning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
论文揭示了用于 Transformer 的图标记化的权衡及其对模型表达能力的影响
一篇新论文探讨了图标记化在将 Transformer 应用于图学习任务中的关键作用。研究人员证明，将图结构转换为标记的方法会显著影响 Transformer 的表达能力以及计算所需的深度。研究表明，某些标记化方法（如随机游走）本质上是有损的，而另一些方法（如谱标记化）可能不适合特定任务。研究结果表明，结合互补的标记化策略可以增强 Transformer 利用多样化结构信号的能力，从而提高性能。
-
CMGL框架通过置信度引导的多组学图学习改进癌症亚型分类
研究人员开发了CMGL，一种用于癌症亚型分类的新型框架，该框架利用多组学数据。这种两阶段方法首先使用证据深度学习估计每个患者不同组学模态的可靠性。然后，这些置信度分数指导组学数据的融合和患者相似性图的构建，从而提高癌症亚型分类的准确性。CMGL在多项癌症任务中表现出优越的性能，包括一个32类全癌分类任务，并显示出将学习到的表示转移到新癌症类型的潜力。