Graph Neural Network (GNN)
PulseAugur coverage of Graph Neural Network (GNN) — every cluster mentioning Graph Neural Network (GNN) across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
量子机器学习框架增强器件建模
研究人员开发了一个新颖的强化学习框架，该框架利用紧凑的参数化量子电路（PQC）进行器件建模，特别是在数据有限的情况下。该框架采用通过近端策略优化进行优化的图神经网络策略来搜索最优电路架构。与经典基线相比，该方法表现出优越的性能，在氮化镓高电子迁移率晶体管（GaN HEMT）和纳米线FET（NWFET）方面均实现了显著更低的平均绝对误差和更紧密的批次变异性。这些发现突显了通过RL选择的经典模拟PQC作为器件数据集的有效替代方案的有效性，…
-
新的GNN模型以更少的参数对网络节点进行介数中心性排序
研究人员开发了一种新的图神经网络（GNN）架构，称为Degree-Mass Message Passing，旨在高效地对大型网络中的节点按介数中心性进行排序。该模型利用节点重要性与多跳度数质量之间的关系，使用度数质量作为大小不变特征。通过在模仿真实世界网络特征（包括有向和无向无标度网络）的合成图上进行训练，该方法提高了泛化能力。在14个真实世界网络上的实验表明，与现有的GNN基线相比，排序相关性有了显著提高，同时参数量大幅减少，推理时间也更快。
-
机器学习模型整合患者数据和食管图谱以进行疾病分类
研究人员开发了一种多模态机器学习方法，通过整合高分辨率阻抗测压术（HRIM）数据和患者特异性信息来对食管动力障碍进行分类。该方法利用图神经网络（GNNs）将食管生理学建模为时空图，并将这些表示与患者嵌入相结合以提高分类准确性。该研究分析了104名患者的数据，结果表明这种基于多模态、基于图的方法优于仅依赖HRIM数据或基于视觉的基线的模型。
-
新的GTLM架构使LLM能够高效处理图数据
研究人员开发了一种名为图Transformer语言模型（GTLM）的新架构，使大型语言模型能够在没有语义瓶颈的情况下处理图结构数据。这种参数高效的模型将图感知注意力偏置直接集成到现有的LLM中，只需要最少的额外参数。评估表明，一个10亿参数的GTLM在图基准测试上可以媲美甚至超越更大的模型，并展示了模拟消息传递以完成算法任务的能力。