R-GCN
PulseAugur coverage of R-GCN — every cluster mentioning R-GCN across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的GNN4PPM方法利用R-GCN增强预测性流程监控
研究人员开发了GNN4PPM，一种用于预测性流程监控（PPM）的新方法，该方法利用关系图卷积网络（R-GCN）。该方法使用RDF语义将事件日志数据表示为异构知识图，从而能够预测所有下一个事件及其完整数据负载。实验表明，与现有的最先进解决方案相比，GNN4PPM在复杂场景中提供了更高的准确性和适用性。
-
具身化方法为 GNN 实现零样本链接预测
研究人员开发了一种名为“具身化”的新颖方法，使图神经网络（GNN）能够在未见过的图上执行零样本链接预测。该技术将图数据转换为固定元关系词汇表，使标准 GNN 能够在没有专门架构的情况下迁移知识。实验表明，使用此方法训练的基础图注意力网络（GAT）在链接预测任务上的表现可以媲美专用基础模型，并显示出应用于关系数据库的潜力。
-
新AI模型利用公开数据预测高潜力中小企业
研究人员开发了SME-HGT，一个异构图Transformer框架，旨在识别在融资轮次中有高潜力的中小型企业（SMEs）。该模型利用公开数据预测哪些小企业创新研究（SBIR）第一阶段获奖者有可能获得第二阶段的资助。通过构建公司、研究课题和政府机构的图谱，SME-HGT实现了0.621的AUPRC，优于基线模型，并显示出显著高于随机选择的提升。
-
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。
-
TypeBandit 方法改进了异构图中的属性补全
研究人员推出了一种名为 TypeBandit 的新方法，旨在改进异构图神经网络中的属性补全。该方法通过认识到不同节点类型提供不同程度的有用信息来解决节点属性缺失的挑战。TypeBandit 优化了这些节点类型的采样资源分配，以增强表示学习。