检索结果-维普期刊中文期刊服务平台

Graph Transformer技术与研究进展:从基础理论到前沿应用被引量：2: 1; 作者游浩丁苍峰 +2 位作者马乐荣延照耀曹璐《计算机应用研究》北大核心 2025年第4期975-986,共12页; 图数据处理是一种用于分析和操作图结构数据的方法,广泛应用于各个领域。Graph Transformer作为一种直接学习图结构数据的模型框架,结合了Transformer的自注意力机制和图神经网络的方法,是一种新型模型。通过捕捉节点间的全局依赖关系... 展开更多; 关键词图神经网络 graph transformer 图表示学习节点分类; 在线阅读下载PDF 职称材料

Graph Transformers研究进展综述被引量：3: 2; 作者周诚辰于千城 +2 位作者张丽丝胡智勇赵明智《计算机工程与应用》 CSCD 北大核心 2024年第14期37-49,共13页; 随着图结构数据在各种实际场景中的广泛应用,对其进行有效建模和处理的需求日益增加。Graph Transformers(GTs)作为一类使用Transformers处理图数据的模型,能够有效缓解传统图神经网络(GNN)中存在的过平滑和过挤压等问题,因此可以学习... 展开更多; 关键词 graph transformers(GTs) 图神经网络图表示学习异构图; 在线阅读下载PDF 职称材料

基于Graph Transformer的半监督异配图表示学习模型: 3; 作者黎施彬龚俊汤圣君《计算机应用》 CSCD 北大核心 2024年第6期1816-1823,共8页; 现有的图卷积网络(GCN)模型基于同配性假设,无法直接应用于异配图的表示学习,且许多异配图表示学习的研究工作受消息传递机制的限制,导致节点特征混淆和特征过度挤压而出现过平滑问题。针对这些问题,提出一种基于Graph Transformer的半... 展开更多; 关键词图卷积网络异配图图表示学习 graph transformer 节点分类; 在线阅读下载PDF 职称材料

融合图Transformer和Vina-GPU+的多模态虚拟筛选新方法: 4; 作者张豪张堃然 +2 位作者阮晓东沐勇吴建盛《南京大学学报(自然科学版)》北大核心 2025年第1期83-93,共11页; 现代药物发现面临对大规模化合物库进行虚拟筛选的挑战,提高分子对接的速度与精度是核心问题.AutoDock Vina是最受欢迎的分子对接工具之一,我们的Vina-GPU和Vina-GPU+方法在确保对接准确性的同时,分别实现了对AutoDock Vina最高50倍和6... 展开更多; 关键词虚拟筛选 graph transformer Vina-GPU+ 多模态知识蒸馏主动学习; 在线阅读下载PDF 职称材料

基于图神经网络的多粒度软件系统交互关系预测: 5; 作者邓文涛程璨 +2 位作者何鹏陈孟瑶李兵《软件学报》北大核心 2025年第5期2043-2063,共21页; 当下,软件系统中元素间的交互错综复杂,涵盖了包间、类间和函数间等多种关系.准确理解这些关系对于优化系统结构以及提高软件质量至关重要.分析包间关系有助于揭示模块间的依赖性,有利于开发者更好地管理和组织软件架构;而类间关系的明... 展开更多; 关键词软件网络交互关系预测 graph transformer 粒度差异软件质量; 在线阅读下载PDF 职称材料

结合全局信息和局部信息的三维网格分割框架: 6; 作者张梦瑶周杰 +1 位作者李文婷赵勇《浙江大学学报(工学版)》北大核心 2025年第5期912-919,共8页; 针对Graph Transformer比较擅长捕获全局信息,但对局部精细信息的提取不够充分的问题,将图卷积神经网络(GCN)引入Graph Transformer中,得到Graph Transformer and GCN (GTG)模块,构建了能够结合全局信息和局部信息的网格分割框架. GTG... 展开更多; 关键词三维网格网格分割 graph transformer 图卷积神经网络(GCN) 边缘保持的粗化算法; 在线阅读下载PDF 职称材料

题名Graph Transformer技术与研究进展:从基础理论到前沿应用被引量：2: 1; 作者游浩丁苍峰马乐荣延照耀曹璐; 机构延安大学数学与计算机科学学院; 出处《计算机应用研究》北大核心 2025年第4期975-986,共12页; 基金国家自然科学基金资助项目(62262067) 陕西省人才资助项目(YAU202213065,CXY202107) +3 种基金教学改革研究项目(YDJG23-27)。; 文摘图数据处理是一种用于分析和操作图结构数据的方法,广泛应用于各个领域。Graph Transformer作为一种直接学习图结构数据的模型框架,结合了Transformer的自注意力机制和图神经网络的方法,是一种新型模型。通过捕捉节点间的全局依赖关系和精确编码图的拓扑结构,Graph Transformer在节点分类、链接预测和图生成等任务中展现出卓越的性能和准确性。通过引入自注意力机制,Graph Transformer能够有效捕捉节点和边的局部及全局信息,显著提升模型效率和性能。深入探讨Graph Transformer模型,涵盖其发展背景、基本原理和详细结构,并从注意力机制、模块架构和复杂图处理能力(包括超图、动态图)三个角度进行细分分析。全面介绍Graph Transformer的应用现状和未来发展趋势,并探讨其存在的问题和挑战,提出可能的改进方法和思路,以推动该领域的研究和应用进一步发展。; 关键词图神经网络 graph transformer 图表示学习节点分类; Keywords graph neural network(GNN) graph transformer graph representation learning node classification; 分类号 TP39 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名Graph Transformers研究进展综述被引量：3: 2; 作者周诚辰于千城张丽丝胡智勇赵明智; 机构北方民族大学计算机科学与工程学院图形图像国家民委重点实验室; 出处《计算机工程与应用》 CSCD 北大核心 2024年第14期37-49,共13页; 基金宁夏重点研发计划(引才专项)项目(2022YCZX0013) 宁夏重点研发计划(重点)项目(2023BDE02001) +1 种基金银川市校企联合创新项目(2022XQZD009)。; 文摘随着图结构数据在各种实际场景中的广泛应用,对其进行有效建模和处理的需求日益增加。Graph Transformers(GTs)作为一类使用Transformers处理图数据的模型,能够有效缓解传统图神经网络(GNN)中存在的过平滑和过挤压等问题,因此可以学习到更好的特征表示。根据对近年来GTs相关文献的研究,将现有的模型架构分为两类:第一类通过绝对编码和相对编码向Transformers中加入图的位置和结构信息,以增强Transformers对图结构数据的理解和处理能力;第二类根据不同的方式(串行、交替、并行)将GNN与Transformers进行结合,以充分利用两者的优势。介绍了GTs在信息安全、药物发现和知识图谱等领域的应用,对比总结了不同用途的模型及其优缺点。最后,从可扩展性、复杂图、更好的结合方式等方面分析了GTs未来研究面临的挑战。; 关键词 graph transformers(GTs) 图神经网络图表示学习异构图; Keywords graph transformers(GTs) graph neural network graph representation learning heterogeneous graph; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于Graph Transformer的半监督异配图表示学习模型: 3; 作者黎施彬龚俊汤圣君; 机构江西师范大学软件学院深圳大学建筑与城市规划学院; 出处《计算机应用》 CSCD 北大核心 2024年第6期1816-1823,共8页; 基金广东省自然科学基金资助项目(2121A1515012574)。; 文摘现有的图卷积网络(GCN)模型基于同配性假设,无法直接应用于异配图的表示学习,且许多异配图表示学习的研究工作受消息传递机制的限制,导致节点特征混淆和特征过度挤压而出现过平滑问题。针对这些问题,提出一种基于Graph Transformer的半监督异配图表示学习模型HPGT(HeteroPhilic Graph Transformer)。首先,使用度连接概率矩阵采样节点的路径邻域,再通过自注意力机制自适应地聚合路径上的节点异配连接模式,编码得到节点的结构信息,用节点的原始属性信息和结构信息构建Transformer层的自注意力模块;其次,将每个节点自身的隐层表示与它的邻域节点的隐层表示分离更新以避免节点通过自注意力模块聚合过量的自身信息,再把每个节点表示与它的邻域表示连接,得到单个Transformer层的输出,另外,将所有的Transformer层的输出跳连到最终的节点隐层表示以防止中间层信息丢失;最后,使用线性层和Softmax层将节点的隐层表示映射到节点的预测标签。实验结果表明,与无结构编码(SE)的模型相比,基于度连接概率的SE能为Transformer层的自注意力模块提供有效的偏差信息,HPGT平均准确率提升0.99%~11.98%;与对比模型相比,在异配数据集(Texas、Cornell、Wisconsin和Actor)上,模型节点分类准确率提升0.21%~1.69%,在同配数据集(Cora、CiteSeer和PubMed)上,节点分类准确率分别达到了0.8379、0.7467和0.8862。以上结果验证了HPGT具有较强的异配图表示学习能力,尤其适用于强异配图节点分类任务。; 关键词图卷积网络异配图图表示学习 graph transformer 节点分类; Keywords graph Convolutional Network(GCN) heterophilic graph graph representation learning graph; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术] TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名融合图Transformer和Vina-GPU+的多模态虚拟筛选新方法: 4; 作者张豪张堃然阮晓东沐勇吴建盛; 机构南京邮电大学化学与生命科学学院南京邮电大学通信与信息工程学院南京邮电大学计算机学院; 出处《南京大学学报(自然科学版)》北大核心 2025年第1期83-93,共11页; 基金国家自然科学基金(62371245); 文摘现代药物发现面临对大规模化合物库进行虚拟筛选的挑战,提高分子对接的速度与精度是核心问题.AutoDock Vina是最受欢迎的分子对接工具之一,我们的Vina-GPU和Vina-GPU+方法在确保对接准确性的同时,分别实现了对AutoDock Vina最高50倍和65.6倍的加速.近年来,大规模预训练模型在自然语言处理和计算机视觉领域取得了巨大成功,这种范式对解决虚拟筛选面临的重大挑战也具有巨大潜力.因此,提出一种多模态虚拟筛选新方法Vina-GPU GT,结合了Vina-GPU+分子对接技术和预训练的Graph Transformer(GT)模型,以实现快速精确的虚拟筛选.该方法包括三个连续步骤:(1)通过对已有分子属性预测的预训练GT模型进行知识蒸馏,学到一个小的SMILES Transformer(ST)模型;(2)通过ST模型推理化合物库中所有分子,并根据主动学习规则微调ST模型;(3)利用微调后的ST模型进行虚拟筛选.在三个重要靶点和两个化合物库上进行了虚拟筛选实验,并与两种虚拟筛选方法进行了比较,结果表明,Vina-GPU GT的虚拟筛选性能最优.; 关键词虚拟筛选 graph transformer Vina-GPU+ 多模态知识蒸馏主动学习; Keywords virtual screens graph transformer Vina⁃GPU+ multi⁃modal knowledge distillation active learning; 分类号 Q811.4 [生物学—生物工程]; 在线阅读下载PDF 职称材料

题名基于图神经网络的多粒度软件系统交互关系预测: 5; 作者邓文涛程璨何鹏陈孟瑶李兵; 机构湖北大学计算机与信息工程学院武汉工商学院计算机与自动化学院湖北大学人工智能学院智能感知系统与安全教育部重点实验室(湖北大学) 武汉大学计算机学院; 出处《软件学报》北大核心 2025年第5期2043-2063,共21页; 基金国家自然科学基金(62032016) 湖北省自然科学基金青年项目(2023AFB374)。; 文摘当下,软件系统中元素间的交互错综复杂,涵盖了包间、类间和函数间等多种关系.准确理解这些关系对于优化系统结构以及提高软件质量至关重要.分析包间关系有助于揭示模块间的依赖性,有利于开发者更好地管理和组织软件架构;而类间关系的明晰理解则有助于构建更具扩展性和可维护性的代码库;清晰了解函数间关系则能够迅速定位和解决程序中的逻辑错误,提升软件的鲁棒性和可靠性.然而,现有的软件系统交互关系预测存在着粒度差异、特征不足和版本变化等问题.针对这一挑战,从软件包、类和函数这3种粒度构建相应的软件网络模型,并提出一种结合局部和全局特征的全新方法,通过软件网络的特征提取和链路预测方式,来增强对软件系统的分析和预测.该方法基于软件网络的构建和处理,具体步骤包括利用node2vec方法学习软件网络的局部特征,并结合拉普拉斯特征向量编码以综合表征节点的全局位置信息.随后,利用Graph Transformer模型进一步优化节点属性的特征向量,最终完成软件系统的交互关系预测任务.在3个Java开源项目上进行广泛的实验验证,包括版本内和跨版本的交互关系预测任务.实验结果显示,相较于基准方法,所提方法在版本内的预测任务中,平均AUC和AP值分别提升8.2%和8.5%;在跨版本预测任务中,平均AUC和AP值分别提升3.5%和2.4%.; 关键词软件网络交互关系预测 graph transformer 粒度差异软件质量; Keywords software network interaction prediction graph transformer granularity difference software quality; 分类号 TP311 [自动化与计算机技术—计算机软件与理论]; 在线阅读下载PDF 职称材料

题名结合全局信息和局部信息的三维网格分割框架: 6; 作者张梦瑶周杰李文婷赵勇; 机构中国海洋大学数学科学学院; 出处《浙江大学学报(工学版)》北大核心 2025年第5期912-919,共8页; 基金山东省自然科学基金:资助项目(ZR2018MF006) 浙江大学CAD&CG国家重点实验室开放课题资助项目(A2228) 青岛市自然科学基金:资助项目(23-2-1-158-zyyd-jch)。; 文摘针对Graph Transformer比较擅长捕获全局信息,但对局部精细信息的提取不够充分的问题,将图卷积神经网络(GCN)引入Graph Transformer中,得到Graph Transformer and GCN (GTG)模块,构建了能够结合全局信息和局部信息的网格分割框架. GTG模块利用Graph Transformer的全局自注意力机制和GCN的局部连接性质,不仅可以捕获全局信息,还能够加强局部精细信息的提取.为了更好地保留边界区域的信息,设计边缘保持的粗化算法,可以使粗化过程仅作用在非边界区域.利用边界信息对损失函数进行加权,提高了神经网络对边界区域的关注程度.在实验方面,通过视觉效果和定量比较证明了采用本文算法能够获得高质量的分割结果,利用消融实验表明了GTG模块和边缘保持粗化算法的有效性.; 关键词三维网格网格分割 graph transformer 图卷积神经网络(GCN) 边缘保持的粗化算法; Keywords 3D mesh mesh segmentation graph transformer graph convolutional neural network(GCN) edge-preserving coarsening algorithm; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	Graph Transformer技术与研究进展:从基础理论到前沿应用	游浩丁苍峰马乐荣延照耀曹璐	《计算机应用研究》北大核心	2025	2	在线阅读下载PDF 职称材料
2	Graph Transformers研究进展综述	周诚辰于千城张丽丝胡智勇赵明智	《计算机工程与应用》 CSCD 北大核心	2024	3	在线阅读下载PDF 职称材料
3	基于Graph Transformer的半监督异配图表示学习模型	黎施彬龚俊汤圣君	《计算机应用》 CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
4	融合图Transformer和Vina-GPU+的多模态虚拟筛选新方法	张豪张堃然阮晓东沐勇吴建盛	《南京大学学报(自然科学版)》北大核心	2025	0	在线阅读下载PDF 职称材料
5	基于图神经网络的多粒度软件系统交互关系预测	邓文涛程璨何鹏陈孟瑶李兵	《软件学报》北大核心	2025	0	在线阅读下载PDF 职称材料
6	结合全局信息和局部信息的三维网格分割框架	张梦瑶周杰李文婷赵勇	《浙江大学学报(工学版)》北大核心	2025	0	在线阅读下载PDF 职称材料