利用注意力驱动的脉冲神经网络增强图表示学习
人工智能
2024-03-27 v1 机器学习
神经与进化计算
摘要
图表示学习因其在建模社交网络、化学化合物和生物系统等复杂结构方面的潜力，已成为机器学习与数据挖掘中的关键任务。脉冲神经网络（SNNs）近期作为图学习任务中传统神经网络的一种有前景的替代方案而兴起，得益于其高效编码与处理时空信息的能力。在本文中，我们提出了一种将注意力机制与 SNNs 相结合的新方法，以改善图表示学习。具体而言，我们为 SNN 引入了一种注意力机制，使其能够在学习过程中选择性地聚焦于图中重要的节点及其对应特征。我们在多个基准数据集上评估了所提出的方法，结果表明其与现有图学习技术取得了相当的性能。
引用
@article{arxiv.2403.17040,
title = {Enhancing Graph Representation Learning with Attention-Driven Spiking Neural Networks},
author = {Huifeng Yin and Mingkun Xu and Jing Pei and Lei Deng},
journal= {arXiv preprint arXiv:2403.17040},
year = {2024}
}