Der Artikel stellt eine neue Methode namens Continuous Spiking Graph Neural Networks (COS-GNN) vor, die SNNs und CGNNs in einem einheitlichen Rahmen kombiniert.
Zunächst wird COS-GNN-1st eingeführt, das SNNs zur Initialisierung der Knotenrepräsentationen und CGNNs zur Modellierung der Dynamik über die Zeit verwendet. Um den Informationsverlust durch SNNs zu mildern, wird dann COS-GNN-2nd entwickelt, das eine höhere Ordnung der Spike-Repräsentation und der kontinuierlichen Propagation nutzt.
Theoretisch wird gezeigt, dass COS-GNN das Problem des explodierenden und verschwindenden Gradienten effektiv löst und so die Stabilität des Modells gewährleistet.
Umfangreiche Experimente auf verschiedenen Graphdatensätzen zeigen, dass COS-GNN die Leistung konkurrierender Methoden übertrifft. Insbesondere COS-GNN-2nd erzielt die besten Ergebnisse, da die höhere Ordnung den Informationsverlust reduziert. Darüber hinaus weist COS-GNN eine deutlich geringere Rechenintensität auf als herkömmliche Methoden, was auf seine Energieeffizienz hinweist.
Ke Bahasa Lain
dari konten sumber
arxiv.org
Wawasan Utama Disaring Dari
by Nan Yin,Meng... pada arxiv.org 04-03-2024
https://arxiv.org/pdf/2404.01897.pdfPertanyaan yang Lebih Dalam