CN119397024A 基于交叉注意力融合的自编码图卷积网络聚类方法 （北京林业大学）_第1页
CN119397024A 基于交叉注意力融合的自编码图卷积网络聚类方法 （北京林业大学）_第2页
CN119397024A 基于交叉注意力融合的自编码图卷积网络聚类方法 （北京林业大学）_第3页
CN119397024A 基于交叉注意力融合的自编码图卷积网络聚类方法 （北京林业大学）_第4页
CN119397024A 基于交叉注意力融合的自编码图卷积网络聚类方法 （北京林业大学）_第5页
已阅读5页，还剩23页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于交叉注意力融合的自编码图卷积网络本发明公开了基于交叉注意力融合的自编的实验结果证明了我们提出的CaEGCN的优越性2首先构造原始数据的必要图，给定一组包含N个样本和第i个样本的数据采用交叉注意融合机制，将内容自动编码器模块CAE学习到的内容信息和图卷积自动R=Fa(Q,K,V)（5）seb=qrkp（6）3headm=EU(QmkmBn),m⃞1,2,3,…,M（9）MuliHead(Q,k,v)-w·conca(head,…head1)（10）交叉注意机制模块将来自内容自编码器模块CAE的内容信息Hl与来自图卷积自动编码每个图卷积自动编码器模块GAE层中的卷积运经过多层学习之后，内容自编码器模块CAE编码器将原始关系A和内容X都编码为有用4其中hi是HL/2的第i个样本表示，qic测量第i个样本分配给第c个聚类的概率，因此Q=ic]是总体软分配分布；举起图片强调高可信度分布的作用：图卷积自动编码器模块GAE和内容自编码器模块CAE的优化目标被统一到分布P中，使基于交叉注意力融合的增强图卷积网络的总体目标损失56群集任务融合这两种信息是一个关键问题。交叉注意融合机制具有全局学习能力和良好R=Fa(Q,K,V)（5）seb=qrkp（6）7[0014]headn=Faue(QmkmuBn),m=1,2,3,…,M（9）先前的交叉注意机制模块将来自CAE的内容信息Hl与来自GAE的数据关系Gl组合在经过这种多层学习之后，我们的GAE编码器将原始关系A和内容X都编码为有用的我们选择一个简单的内积运算来重构样本之间的89群集任务融合这两种信息是一个关键问题。交叉注意融合机制具有全局学习能力和良好R=Fa(Q,K,V)（5）seb=qrkp（6）[0033]headn=Faue(QmkmuBn),m=1,2,3,…,M（9）先前的交叉注意机制模块将来自CAE的内容信息Hl与来自GAE的数据关系Gl组合在经过这种多层学习之后，我们的GAE编码器将原始关系A和内容X都编码为有用的我们选择一个简单的内积运算来重构样本之间的我们将CAE和GAE模块的维数设置为inp

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论