Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Sep 15, 2025

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

527

一个自我监督的异质图表注意力模型,基于可适应的步骤大小元路径.

Xiangyi Teng, Minghao Zhong, Jing Liu

    IEEE transactions on neural networks and learning systems
    |July 18, 2025
    PubMed
    概括
    此摘要是机器生成的。

    相关概念视频

    您也可能阅读

    相关文章

    通过共同作者、期刊和引用图与本文相关的文章。

    排序
    Same author

    [Isolation of functional bacteria guided by PCR-DGGE technology from high temperature petroleum reservoirs].

    Huan jing ke xue= Huanjing kexue·2008
    Same author

    Assessing the spatial extent of breast tumor intrinsic optical contrast using ultrasound and diffuse optical spectroscopy.

    Journal of biomedical optics·2008
    Same author

    alpha4/7-conotoxin Lp1.1 is a novel antagonist of neuronal nicotinic acetylcholine receptors.

    Peptides·2008
    Same author

    [Construction and characterization of avian pathogenic Escherichia coli mutants with iro and/or tsh gene mutation].

    Sheng wu gong cheng xue bao = Chinese journal of biotechnology·2008
    Same author

    [Enhancement of GFP expression by Kozak sequence +4G in HEK293 cells].

    Sheng wu gong cheng xue bao = Chinese journal of biotechnology·2008
    Same author

    Sphingomyelin synthase 2 deficiency attenuates NFkappaB activation.

    Arteriosclerosis, thrombosis, and vascular biology·2008

    本研究介绍了一种新型的自我监督异质图注意力模型 (HGAM),该模型使用可适应的步骤大小元路来改进网络分析. 在没有事先知识的情况下,HGAM增强了表示学习,在节点分类,集群和链接预测任务中表现优于现有的方法.

    科学领域:

    • 图形神经网络的神经网络
    • 机器学习 机器学习
    • 网络分析 网络分析

    背景情况:

    • 异质图形神经网络 (HGNN) 对于模拟复杂的现实世界网络至关重要.
    • 现有的HGNN通常需要预定义的元路径,并与有限的标记数据作斗争.
    • 目前的方法缺乏元路序列建模和自适应特征提取.

    研究的目的:

    • 提出一个自我监督的异质图注意力模型 (HGAM),使用可适应的步骤大小元路径.
    • 克服预定义元路径的局限性,解决HGNN中的数据稀缺问题.
    • 通过自适应地捕获重要元路和整合全球信息来增强表示学习.

    主要方法:

    • 为HGAM开发了一个可适应的步骤大小元路模块,考虑到不同步骤大小的注意力权重和趋势.
    • 实施了双重对比的学习策略,用于自我监督的学习,将高阶元图与节点对比,并保留本地结构.
    • 在使用现实数据集对节点分类,集群和链接预测任务进行了HGAM评估.

    主要成果:

    • HGAM 适应性地捕获重要的步骤大小元路,扩大模型的受体场,并整合全球信息.
    • 双重对比学习策略有效地解决了标记数据稀缺的问题.
    • 在所有评估任务中,与最先进的方法相比,实现了更高的性能.

    更多相关视频

    Methods to Test Visual Attention Online
    09:44

    Methods to Test Visual Attention Online

    Published on: February 19, 2015

    12.0K
    Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example
    08:45

    Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

    Published on: October 24, 2012

    14.8K

    相关实验视频

    Last Updated: Sep 15, 2025

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    527
    Methods to Test Visual Attention Online
    09:44

    Methods to Test Visual Attention Online

    Published on: February 19, 2015

    12.0K
    Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example
    08:45

    Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

    Published on: October 24, 2012

    14.8K

    结论:

    • HGAM提供了一种新且有效的方法,用于在异质图上进行自我监督的学习.
    • 可适应的步骤大小元路和双对比学习显著改善了表示学习.
    • HGAM 显示了对各种基于图形的分析任务的强大潜力.