图三重注意网络：分解视角
原文中文，约300字，阅读约需1分钟。发表于：。本研究针对图转化模型在捕捉长程依赖和图形归纳偏差中面临的多视图混乱和局部-全局混乱问题，提出了一种高层次的分解视角，并设计了分解图三重注意网络DeGTA。该方法通过单独计算多视图注意力，适应性地整合局部和全局信息，从而显著提升了解释性、设计灵活性与适应性集成能力，实验证明其在多种数据集和任务中的性能达到最优。
提出了一种名为Directional Graph Attention Network(DGAT)的新型图神经网络结构，通过特征注意力和全局方向信息提高图信息的传播能力，并通过拓扑信息引导的节点剪枝和边添加机制以及新的拉普拉斯矩阵来改善GAT的局限性。实验证明DGAT在真实数据集和合成数据集上性能优于传统的GAT模型，并在7个真实数据集中的6个数据集上超越了现有的最先进模型。
