Core Concepts
주의력 메커니즘을 스파이킹 신경망에 통합하여 그래프 표현 학습 성능을 향상시킬 수 있다.
Abstract
이 논문은 주의력 메커니즘을 스파이킹 신경망에 통합한 SpikingGAT 모델을 제안한다. 이 모델은 그래프의 구조와 노드 특징을 효과적으로 인코딩할 수 있다.
주요 내용은 다음과 같다:
그래프 주의력 메커니즘을 도입하여 중요한 노드와 특징에 선택적으로 집중할 수 있도록 한다.
리키 적분 및 발화 (LIF) 뉴런 모델을 사용하여 시공간 정보를 효율적으로 처리한다.
단일 그래프 데이터셋(Cora, Citeseer, Pubmed)과 다중 그래프 데이터셋(SBM CLUSTER, TSP, MNIST)에서 실험을 수행하여 제안 모델의 성능을 검증한다.
실험 결과, SpikingGAT 모델은 기존 그래프 학습 기법과 비교하여 유사한 성능을 보이며, 생물학적 타당성이 더 높은 것으로 나타났다.
Stats
그래프 데이터셋의 노드 수는 Cora 2,708개, Citeseer 3,327개, Pubmed 19,717개이다.
그래프 데이터셋의 에지 수는 Cora 5,429개, Citeseer 4,732개, Pubmed 44,338개이다.
노드 특징의 차원은 Cora 1,433, Citeseer 3,703, Pubmed 500이다.
클래스 수는 Cora 7개, Citeseer 6개, Pubmed 3개이다.
학습/검증/테스트 데이터 분할은 Cora 140/500/1000, Citeseer 120/500/1000, Pubmed 60/500/1000이다.