实体
Linearized Graph Sequence Models
Linearized Graph Sequence Models
PulseAugur coverage of Linearized Graph Sequence Models — every cluster mentioning Linearized Graph Sequence Models across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
HOPPER框架通过可学习的跳数提取增强图序列模型
研究人员推出了一种新颖的框架HOPPER，旨在增强线性化图序列模型（LGSMs）。与依赖固定图算子的先前LGSMs不同，HOPPER能够实现跳数序列的端到端学习，从而实现针对特定图结构、节点特征和下游任务量身定制的自适应传播机制。这种方法保留了置换等变性，并在ECHO-Synth和LRIM等基准测试中展示了最先进或具有竞争力的性能，尤其是在图表示学习中处理长距离依赖关系方面。
-
新框架通过序列建模重构图学习
研究人员引入了一个名为线性化图序列模型的新框架，该框架将消息传递图计算从序列建模的角度重新构建。这种方法旨在通过将计算处理深度与信息传播深度解耦来简化架构选择。该框架在需要图内长距离信息处理的任务上表现出改进的性能，为将现代序列建模的进步整合到图学习中提供了一种原则性的方法。