HDGL:一种用于脑疾病分类的层次动态图表示学习模型
原文中文,约300字,阅读约需1分钟。发表于: 。我们提出了一种分层动态图表示学习模型 (HDGL),该模型可以构建大脑网络图,并学习它们的空间和时间嵌入,并在嵌入学习后形成人群图并进行分类。通过在 ABIDE 和 ADHD-200 数据集上评估该模型的性能,结果显示在多种评估指标上相较于其他最先进的模型,该模型有所改善。
本文提出了一种名为动态超图结构学习的新模型,用于解决交通流预测问题。该模型通过提取超图结构信息来学习非成对关系,并通过聚合来自关联超边的消息来更新每个节点的表示。同时,介绍了互动图卷积块,进一步模拟每个节点的邻域交互。最后,将这两个视角整合到一个综合的多尺度相关性提取模块中,该模块通过不同尺度的时间池化来建模不同的时间模式。实验证明,该模型在四个流行的交通基准数据集上表现优异。