In diesem Papier wird ein neuartiger Ansatz vorgestellt, der Aufmerksamkeitsmechanismen mit Spiking-Neuronalen-Netzwerken (SNNs) kombiniert, um das Graphenrepräsentationslernen zu verbessern.
Der Kern des Ansatzes ist ein Spiking Graph Attention Network (SpikingGAT) Modell, das einen Aufmerksamkeitsmechanismus in die Graph-SNN-Architektur integriert. Dieser Aufmerksamkeitsmechanismus berechnet Aufmerksamkeitskoeffizienten für jedes Knotenpaar, so dass das Modell die Beiträge der Nachbarknoten angemessen gewichten kann. Dadurch kann das SNN selektiv auf relevante Knoten und deren Merkmale fokussieren und die zugrunde liegende Graphenstruktur effektiv erfassen.
Die Leistungsfähigkeit des SpikingGAT-Modells wird anhand mehrerer Benchmark-Datensätze evaluiert. Die Ergebnisse zeigen, dass das Modell eine vergleichbare Leistung wie bestehende Graphenrepräsentationslernmethoden erzielt, dabei aber eine bessere biologische Plausibilität aufweist. Darüber hinaus führen die Experimente auf Mehrfachgraph-Datensätzen zu Knoten-Klassifizierung, Kanten-Klassifizierung und Graphen-Klassifizierung zu einer Überlegenheit des SpikingGAT-Modells gegenüber anderen Ansätzen.
Insgesamt demonstriert diese Arbeit die Effektivität der Integration von Aufmerksamkeitsmechanismen in SNNs für das Graphenrepräsentationslernen und eröffnet neue Möglichkeiten für zukünftige Forschung und Anwendungen in diesem Bereich.
Ke Bahasa Lain
dari konten sumber
arxiv.org
Wawasan Utama Disaring Dari
by Huifeng Yin,... pada arxiv.org 03-27-2024
https://arxiv.org/pdf/2403.17040.pdfPertanyaan yang Lebih Dalam