导航
主页
会议
未来的会议
过去的会议
诉讼
IJCAI 2023会议记录
IJCAI 2022会议记录
所有诉讼
奖品
受托人/管理人员
现任受托人
受托人选举
IJCAI秘书处
IJCAI赞助和宣传官员
IJCAI团队
当地安排主席
在执行委员会任职的前受托人
其他前任官员
人工智能期刊
关于
关于IJCAI
联系信息
用于图表示学习的图传播变换器
用于图表示学习的图传播变换器
Zhe Chen、Hao Tan、Tao Wang、Tianrun Shen、Tong Lu、Qiuying Peng、Cheng Cheng、Yue Qi
第三十二届国际人工智能联合会议论文集
主要轨道。
第3559-3567页。
https://doi.org/10.24963/ijcai.2023/396
PDF格式
BibTeX公司
本文提出了一种用于图表示学习的新型变换器结构。
我们方法的核心见解是,在转换器块中构建注意力模块时,充分考虑图中节点和边之间的信息传播。
具体来说,我们提出了一种新的注意机制,称为图形传播注意(GPA)。
它以三种方式在节点和边之间显式传递信息,即节点到节点、节点到边和边到节点,这对于学习图形结构数据至关重要。
在此基础上,我们设计了一个有效的转换器架构,名为图形传播转换器(GPTrans),以进一步帮助学习图形数据。
我们在多个基准数据集上的大量图形学习实验中验证了GPTrans的性能。
这些结果表明,我们的方法优于许多最新的基于变压器的图模型,具有更好的性能。
代码将于发布
https://github.com/czczup/GPTrans。
关键词:
机器学习:ML:应用
机器学习:ML:注意力模型
机器学习:ML:序列和图形学习