实体
Graphsage
Graphsage
PulseAugur coverage of Graphsage — every cluster mentioning Graphsage 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
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的HetSheaf框架增强了异构图学习
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。
-
新型混合模型利用大型语言模型和图神经网络增强关系数据库处理能力
研究人员开发了一种新颖的混合架构，该架构结合了经过微调的BART语言模型和基于GraphSAGE的图神经网络（GNN），以更好地处理关系数据库信息。该方法旨在克服传统方法压平数据库而丢失关键关系上下文的局限性。在RelBench基准测试上的实验表明，这种混合模型显著增强了BART的行嵌入，在特定任务上达到了67.40的具有竞争力的ROC-AUC，并缩小了与现有关系深度学习方法的性能差距。
-
Gravity-GraphSAGE 推进了有向属性图的链接预测
研究人员推出了一种名为 Gravity-GraphSAGE (GG-SAGE) 的新方法，用于有向属性图中的链接预测。这种改进的 GraphSAGE 模型包含一个受引力启发的解码器，弥补了现有图深度学习技术主要关注无向图的不足。在基准数据集和真实世界数据集上的实验表明，GG-SAGE 的性能优于当前最先进的方法，即使在处理复杂和大规模数据时也表现出强大的能力。