.png){kind=icon}
返回
Generalised tensor-based hypergraph attention network
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114730.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究通过引入广义张量基超图注意力网络（GT-HGAT），解决了利用现有方法有效建模非均匀超图的挑战，该网络为处理非均匀超图数据中的复杂特征和关系提供了更灵活和通用的范式。初始阶段，GT-HGAT采用阶数提升和阶数降低过程，实现对任意非均匀超图的通用高阶张量表示，并在高维空间中全面捕捉非均匀超图内的复杂关系。随后，GT-HGAT在张量化超图卷积过程中融入多级注意力机制，使网络能够聚焦于超图数据中的关键节点和超边。该方法有效区分并利用高阶关系，从而促进对非均匀超图更精确的建模与学习。最终，在五个公开数据集上的实验表明，GT-HGAT较基线模型具有1.35 %至26.27 %的性能提升。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
暂无论文信息