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.
To Another Language
from source content
arxiv.org
ข้อมูลเชิงลึกที่สำคัญจาก
by Nan Yin,Meng... ที่ arxiv.org 04-03-2024
https://arxiv.org/pdf/2404.01897.pdfสอบถามเพิ่มเติม