Learning from Historical Activations in Graph Neural Networks

En 3 lignesHISTOGRAPH, une couche d'agrégation finale basée sur l'attention, exploite les activations intermédiaires des couches précédentes dans les GNNs. La méthode applique une attention couche-par-couche puis nœud-par-nœud pour modéliser l'évolution des représentations. Résultats améliorés sur benchmarks de classification de graphes, robustesse accrue dans les GNNs profonds.

Résumé généré par Claude — vérifié par l'humain