.png){kind=icon}
返回
Graph vector function architecture
.png){kind=icon}
OA
AI
DOI：10.1016/j.neunet.2025.108416.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络（GNNs）是学习使用图数据结构表示的复杂关系数据的最常见方法。尽管GNNs在为给定任务学习节点和图的表示方面是有效的，但学习过程计算成本高昂，因此时间和能源效率低下。本文在未训练图表示的近期工作的背景下研究了这一挑战，这些工作仅训练求解器模型。我们提出了图向量函数架构（GVFA），这是一种基于超维计算（HDC）原理的用于学习图表示的新型GNN替代方案。GVFA是一种通用的零样本无学习图和节点表示方法。因此，我们的表示方法不是任务特定的，并且构建它们的计算成本与基于学习的GNN相比显著降低。经验上，我们展示了不同GVFA配置的表达能力和泛化特性。我们的实验结果表明，在图和节点分类任务的分类精度方面，GVFA在它们的基准数据集上优于几种经典GNN，同时也在训练时间上实现了显著减少。
Keyword:
Graph neural networks
Hyperdimensional computing
Zero-shot graph learning
Vector function architecture
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。
期刊
IF:
6.3
论文数:
8.3K
被引数:
3.0W
机构
引用论文
.png){kind=icon}
Hyperdimensional Computing: An Introduction to Computing in Distributed Representation with High-Dimensional Random Vectors超维计算: 高维随机向量分布式表示计算简介
PREAI
分享收藏Bridging Cognitive Architectures and Generative Models with Vector Symbolic Algebras利用向量符号代数连接认知架构和生成模型
PREAI
分享收藏
查看更多内容