GDPool提出按图自适应确定池化粒度的方法
热点事件持续更新
GDPool提出按图自适应确定池化粒度的方法
1 篇报道1 个报道来源12 小时前更新
先了解这件事
AI 综述
Bohan Yoon和Hyejin Jang提出图依赖池化（GDPool）方法，让层次图神经网络根据每张图的结构动态确定池化粒度，无需预先设定簇数或固定池化比例。该方法通过自注意力选择结构重要的节点作为锚点，并利用软节点分配构建粗化图。 在金属有机框架和分子图基准测试中，GDPool的各项预测表现均优于对比方法，模块度也持续高于现有方法。这表明该方法在相关基准上兼顾了预测表现与图聚类结构质量，但结果目前对应于所报告的测试范围。
AI 根据报道生成 · 3 小时前更新
最新进展10月28日 12:00
Graph-Dependent Pooling（GDPool）：层次图神经网络中的自适应粒度报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · Machine LearningGraph-Dependent Pooling（GDPool）：层次图神经网络中的自适应粒度
GDPool（Graph-Dependent Pooling）为层次图神经网络按图动态确定池化粒度，避免依赖预设簇数或固定池化比例。它通过自注意力选择结构重要节点作为锚点，并以软节点分配构建粗化图；在金属有机框架和分子图基准上，各项预测表现均最佳，模块度也持续高于现有方法。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 810月28日 21:00
- 近 24 小时变化
- –
02468
21:0022:0023:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。