GCN结合Transformer炸场!性能暴涨74%,效率翻3倍

最近发现了两篇效果很妙的GCN结合Transformer的最新工作,分享给大家:

  • MP-GT:通过结合GCN和Transformer方法来增强App使用预测的准确性,实现了74.02%的性能提升,且训练时间减少了79.47%。

  • MotionAGFormer:结合GCNFormer和Transformer以捕捉复杂的局部关节关系,提高3D姿势估计的准确性。实验表明其参数减少了3/4,计算效率涨了3倍。

从技术细节来看(见下文),这种结合充分利用了GCN对图结构数据的处理能力以及Transformer在处理序列数据方面的优势,能非常有效地提升模型在多种任务上的表现。

因此这个策略在很多实际应用场景中非常好用,很多GCN结合Transformer的出色成果都能证明。我这次就从中挑选9篇最新的研究供大家学习,帮助各位快速了解这个GNN领域的重要研究方向。

论文原文+开源代码需要的同学看文末

Enhancing App Usage Prediction Accuracy With GCN-Transformer Model and Meta-Path Context

方法:论文提出了一种名为MP-GT的新型模型,通过在GCN-Transformer框架中引入元路径引导优化,提高了应用使用预测的准确性。该方法通过采用GCN和Transformer方法提取局部子图结构和全局图结构,解决了悬停问题和过度平滑问题。此外,作者通过引入元路径引导的目标函数,增强了语义信息和应用使用模式的提取能力。

实验证明,MP-GT在准确率方面比语义感知的图卷积网络(SA-GCN)基线模型提高了13.33%。此外,MP-GT在相同指标上比基线模型CAP提高了74.02%。此外,与SA-GCN相比,MP-GT的训练时间缩短了79.47%。

创新点:

  • MP-GT将GCN和Transformer两种架构相结合,通过在GCN层后面引入Transformer子网络,捕捉节点的长距离依赖关系,解决了GCN中的过度平滑和过度压缩问题,使得模型更具表达力和综合性。

  • MP-GT通过引入meta-path引导的优化函数,实现对观察到的共现关系的捕捉,从而获得更丰富和有意义的上下文关系,提高了预测性能。此外,该方法还具有快速收敛的特点,减少了训练时间。

MotionAGFormer: Enhancing 3D Human Pose Estimation With a Transformer-GCNFormer Network

方法:论文介绍了一种新颖的用于3D人体姿势估计的模型MotionAGFormer。该模型结合了Transformer和图卷积网络(GCNs)的优势,通过自适应融合从Transformer和图卷积网络中提取的特征,实现了对人体运动的全面和平衡的表示,从而提高了3D姿势估计的准确性。

实验证明,MotionAGForme在Human3.6M数据集和MPI-INF-3DHP数据集上使用的参数是之前领先模型的四分之一,计算效率是其三倍。

创新点:

  • 引入了Attention-GCNFormer (AGFormer)模块,通过使用两个并行的Transformer和GCNFormer流,将通道数量分割。GCNFormer模块利用相邻关节之间的局部关系,输出与Transformer输出互补的新表示。

  • 通过堆叠多个AGFormer模块,提出了四个不同的MotionAGFormer变体,可以根据速度和准确性的权衡进行选择。

YZS-MODEL: A PREDICTIVE MODEL FOR ORGANIC DRUG SOLUBILITY BASED ON GRAPH CONVOLUTIONAL NETWORKS AND TRANSFORMER-ATTENTION

方法:论文使用Cui等人收集的数据集,包括6,754个有机化合物,通过引入深度学习框架,结合基于注意力机制的Transformer、长短时记忆网络(LSTM)和图卷积网络(GCN),旨在提高溶解度预测的准确性,为药物设计和选择提供新的见解,并通过多个测试集的性能验证,证明了该模型在溶解度预测方面的优越性,为药物的发现和开发提供了新的方法。

创新点:

  • 作者采用深度学习模型来准确预测药物分子的溶解度。

  • 作者提出了一种新的深度学习框架,结合了基于注意力的Transformer、长短期记忆网络(LSTM)和图卷积网络(GCN),旨在提高溶解度预测的准确性。

GCNFORMER: graph convolutional network and transformer for predicting lncRNA-disease associations

方法:本文提出了一种基于图卷积网络和Transformer的新型LDA预测模型GCNFORMER,通过构建基于lncRNA、miRNA和疾病之间的内类相似性和外类相关性的图关系邻接矩阵,利用GCN提取三个实体之间的特征,最后采用Transformer的编码器部分进行lncRNA和疾病之间的关联预测,该模型在AUC和AUPR方面优于当前其他方法,为LDA预测领域带来了新的思路与技术手段。

创新点:

  • GCNFORMER模型采用图卷积网络进行特征提取,然后采用Transformer的编码器来预测潜在的lncRNA-disease关联。在五折交叉验证中,GCNFORMER的AUC和AUPR优于其他六个LDA预测模型。

  • 通过交叉验证和参数调整,GCNFORMER模型具有较好的泛化能力和抗过拟合能力。

  • 本文的研究为LDA预测领域带来了新的思路和技术手段,提高了LDA预测模型的准确性和解释能力,促进了相关研究的深入发展。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“GCN结合”获取全部论文+开源代码

码字不易,欢迎大家点赞评论收藏

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/39896.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

MySQL 图形化界面

填完信息之后,圆圈处可以验证是否可以连接数据库 展示所有数据库(因为有的可能连上,却没有数据库显示)

“小红书、B站崩了”,背后的阿里云怎么了?

导语:阿里云不能承受之重 文 | 魏强 7月2日,“小红书崩了”、“B站崩了”等话题登上了热搜。 据第一财经、财联社等报道,7月2日,用户在B站App无法使用浏览历史关注等内容,消息界面、更新界面、客服界面均不可用&…

【python】PyQt5事件机制、定时器原理分析和实战演练

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,…

2025秋招NLP算法面试真题(十四)-RoBERTa-Bert的改进

RoBERTa:更大更多更强 今天分享一个Bert的改进工作RoBERTa。RoBERTa是训练充分的Bert。 主要掌握以下几点,与Bert相比较,RoBERTa预训练的时候: 动态掩码:comparable or slightly better去掉NSP任务并且更改数据输入格式为全部填充可以跨越多个文档更多数据,更大bsz,更…

《浔川AI社 AI 产品上线公告》——浔川总社(浔川周报第一期 24.7.2pm)

《浔川 Python 社 AI 产品上线公告》 尊敬的用户: 您好! 我们非常高兴地向您宣布,浔川 AI 社经过不懈的努力和创新,现已成功上线 3 款令人瞩目的 AI 产品! 这 3 款 AI 产品分别是: 浔川AI翻译v3.0&#xff…

Qt时间日期处理与定时器使用总结

一、日期时间数据 1.QTime 用于存储和操作时间数据的类,其中包括小时(h)、分钟(m)、秒(s)、毫秒(ms)。函数定义如下: //注:秒(s)和毫秒(ms)有默认值0 QTime::QTime(int h, int m, int s 0, int ms 0) 若无须初始化时间数据,可…

redis 消息订阅命令

在 Redis 中,消息订阅和发布是一种用于实现消息传递的机制。主要命令包括 SUBSCRIBE、UNSUBSCRIBE、PUBLISH 和 PSUBSCRIBE 等。下面是如何使用这些命令的详细说明和示例。 1. SUBSCRIBE 命令 SUBSCRIBE 命令用于订阅一个或多个频道,以接收这些频道发布…

常见sql语句练习

Tips:之前查看网上的文章感觉太乱了,所以自己整理了一套sql语句来练习,主要也可以拿来应对面试,需要的可以自行下载练习 包含基本语句、聚合函数、模糊查询、范围查询、排序、聚合、分组、分页、子查询、索引和视图、左右连接、双…

无人值守过磅管理系统实现数据实时传递

依据为某公司信息化系统建设前提下,客商平台在线预约称重、车辆到场智能排队系统、空车入场取装车票装车、门岗智能管控系统、建设地磅无人值守、进出货场管理系统、手机APP远程派车、查询报表、查询实时过磅数据,集中式监控管理系统,配合无人…

分享快乐,分享5款我认为好用的软件

​ 分享是奉献的果实,分享是快乐的前提。每天给小伙伴们分享自己认可的软件,也是莫大的一种幸福,今天依然带来五款好用的软件。 1.文本编辑——Notepads ​ Notepads是一款简约高效的文本编辑器,专为Windows10及以上版本设计。它…

Debian linux安装最新版Cmake

直接sudo apt install camke不是最新版本 卸载cmake sudo apt autoremove cmake下载cmake cmake官网 最上面的是候选版本,往下滑是最新稳定版 解压(改成自己的包) tar -zxvf cmake-3.30.0-rc4.tar.gz进入解压后的文件夹 lscd cmake-3.3…

每天一个数据分析题(三百九十二)- 多元线性回归

多元线性回归的正规方程组中系数矩阵X’X的阶数等于?(p个变量,n个观测值) A. n B. p-1 C. p D. n-1 数据分析认证考试介绍:点击进入 题目来源于CDA模拟题库 点击此处获取答案 数据分析专项练习题库 内容涵盖Py…

等保测评——云计算扩展测评项

安全物理环境-基础设施位置 应保证云计算基础设置位于中国境内。 该控制点是针对云计算平台提出的安全要求,公有云服务商和自建私有云的企业或组织在规划设计时应同步考虑此安全要求。无论是自建数据中心还是租赁第三方基础设施,其数据机房及云计算相关…

java常用类(3)

目录 一. 正则表达式 二. Math类 三. Random类 四. Date类 五. Calendar类 六. SimpDateFormate类 七. BigInteger类 八. BigDecimal类 一. 正则表达式 正则表达式(Regular Expression)就是用一些特殊的符号去匹配一个字符串是否符合规则,利用String类中的matches()方…

提升效能:Symfony 性能优化实用指南

Symfony 是一个功能丰富的 PHP Web 框架,但在构建高性能应用程序时,开发者需要考虑多种性能优化策略。本文将探讨一系列实用的 Symfony 性能优化技巧,帮助开发者提高应用程序的响应速度和整体性能。 1. 了解 Symfony 缓存机制 Symfony 提供…

蒙阴蜜桃节:北纬 35 度的甜蜜盛宴

蒙阴,这座位于北纬 35 度黄金水果带的魅力之城,凭借着沙壤土、长日照、大温差、好生态的天然禀赋,孕育出了令人陶醉的“蒙阴蜜桃——北纬 35 度的甜”。 7月2日—3日,主题为“蒙阴好丰景 桃香产业兴”的国家鲁中山区桃产业集群项目…

3d打开模型的时候怎么没有灯光?---模大狮模型网

在3D建模与渲染过程中,灯光是至关重要的元素之一,直接影响到最终场景的视觉效果和真实感。然而,有时打开3D模型时可能会发现缺乏适当的灯光设置,这会导致场景显得暗淡或平淡无奇。本文将探讨为何在打开3D模型时可能没有灯光的原因…

QGC添加添加QML可访问的单例

文章目录 前言一、添加文件二、修改qgroundcontrol.pro三、修改QGCApplication.cc四、修改QGroundControlQmlGlobal.h五、修改QGroundControlQmlGlobal.cc六、测试前言 QGC 4.2 一、添加文件 在src目录下添加文件夹SingletonTest,在里面新建SingletonTest.cc和SingletonTes…

OCR text detect

主干网络 VoVNet:实时目标检测的新backbone网络_vovnet pytorch-CSDN博客 DenseNet: arxiv.org/pdf/1608.06993 密集连接: DenseNet 的核心思想是将网络中的每一层与其前面的所有层直接连接。对于一个 L 层的网络,DenseNet 具有…

GIT将文件推送到远程仓库,即添加文件

摘自这里公开资料: git怎么让文件推送 • Worktile社区 要将文件推送到Git仓库,需要经过以下步骤: 1. 初始化Git仓库:在本地项目文件夹中打开命令行工具,并执行以下命令来初始化Git仓库: “shell git in…