本文提出了一種名為 UnSegMedGAT 的新型無監督醫學影像分割方法,該方法利用預先訓練的視覺轉換器 (ViT) 和圖注意力網路 (GAT) 來有效地捕捉影像中的固有圖拓撲結構,並在 ISIC-2018 和 CVC-ColonDB 兩個醫學影像資料集上展現出優於現有技術的效能。
본 논문에서는 속성 그래프에서 커뮤니티 탐지를 수행하기 위해 노드 속성 간의 의미적 유사성과 중간 규모 커뮤니티 구조를 모두 활용하는 새로운 모델인 HACD를 제안합니다.
HACDは、属性間の意味的類似性とメゾスコピックなコミュニティ構造に着目することで、従来手法よりも高精度かつ効率的に属性付きグラフのコミュニティ検出を行うことができる、革新的な異種グラフ注意ネットワークに基づくモデルである。
HACD is a novel attributed community detection model that leverages heterogeneous graph attention networks to capture semantic similarity between node attributes and exploit mesoscopic community structure for improved performance in community detection tasks.
本稿では、説明可能なコルモゴロフ-アーノルドネットワーク(KAN)を用いることで、従来の深層学習を用いたパワーコントロール手法と比較して、計算コストを抑えつつ、公平性を考慮した無線ネットワークにおける送信電力割り当てを実現できることを示している。
언어 모델은 인간 전문가처럼 추론 과정에서 단계를 건너뛰도록 학습할 수 있으며, 이러한 능력은 모델의 효율성과 일반화 능력을 향상시킨다.
本文提出了一種名為 QuWeiT 的新型 Transformer 模型,旨在通過用基於查找表的無權重神經網路層取代傳統的 MLP 層來降低能耗,同時保持模型精度。
본 논문에서는 기존 트랜스포머 모델의 MLP 레이어를 DWN(Differentiable Weightless Neural Network) 레이어로 대체하여 에너지 효율성을 높인 QuWeiT(준무게추 트랜스포머)를 제안합니다.
本稿では、従来のトランスフォーマーモデルよりもエネルギー効率の高い推論を実現する、準ウェイトレス・トランスフォーマー(QuWeiT)と呼ばれる新しいタイプのトランスフォーマーモデルを提案する。
本文提出了一種基於高通圖卷積網絡 (HP-GCN) 的新型圖異常檢測方法,通過分離學習孤立節點和連通子圖中的節點,並利用高通濾波器放大異常節點的高頻特徵,從而提高了在節點分佈不均勻和異常節點稀疏的圖中檢測異常的能力。