.png){kind=icon}
返回
Configurable hyperdimensional graph representation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.artint.2025.104384.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图分析已发展为一个关键领域，为从社交网络到生物系统的真实世界数据表示提供了多样化的解决方案。然而，图的复杂特性通常需要一定程度的处理，例如学习到向量空间的映射，以执行节点分类和链路预测等分析任务。一种有前景的方法是受神经科学和数学启发的超维计算（HDC）。HDC利用高维向量高效地操作复杂数据结构，并执行叠加和关联等操作，通过上下文和语义信息增强知识图谱表示。然而，解决现有基于HDC的图表示方法中的局限性至关重要。本文全面探讨了这些方法，并提出了ConfiGR：可配置图表示，一种引入可调整设计的创新框架，增强了其在不同图类型和任务中的适用性，最终提升多种图相关任务的表现。
Keyword:
Hyperdimensional computing
Vector symbolic architecture
Knowledge graph reasoning
Graph representation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。