
Ein neuartiges rekurrentes Lernframework namens RSGT, das explizit die zeitlichen Zustände von Kanten durch verschiedene Kantentypen und Gewichte über mehrere Zeitscheiben hinweg modelliert und diese in die Topologie des Graphen integriert. Darüber hinaus wird ein strukturverstärkter Graphentransformer entwickelt, um sowohl lokale als auch globale topologische Merkmale als auch sich entwickelnde dynamische Eigenschaften aus dem gewichteten Mehrbeziehungsgraphen zu extrahieren.


coremsg

dynamische-graphenrepräsentationslernen-mit-strukturverstärktem-transformer-und-zeitlichen-kantenzuständen


Dynamische Graphenrepräsentationslernen mit strukturverstärktem Transformer und zeitlichen Kantenzuständen


title_rewrite


MPXGAT ist ein effektives, aufmerksamkeitsbasiertes Deep-Learning-Modell zur Einbettung von Multiplex-Graphen, das sowohl Intra-Layer- als auch Inter-Layer-Verbindungen erfasst und vorhersagt.


ein-innovatives-aufmerksamkeitsbasiertes-deep-learning-modell-zur-einbettung-von-multiplex-graphen


Ein innovatives, aufmerksamkeitsbasiertes Deep-Learning-Modell zur Einbettung von Multiplex-Graphen
