AnchorRM：用锚点残差记忆加速时序图神经网络
热点事件持续更新
AnchorRM：用锚点残差记忆加速时序图神经网络
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Haroon Gharwi、Kai Shu 和 Yue Dai 提出 AnchorRM，一种基于锚点的残差记忆机制：它直接重建批内事件级节点状态，不再顺序执行循环更新，以解决时序小批量训练中节点记忆陈旧的问题。 在四个时序图数据集和三种记忆型骨干上，训练平均加速 6.16 倍（最高 10.05 倍），批大小扩展达 28.67 倍（最高 40 倍），同时保持有竞争力的预测性能。
AI 根据报道生成 · 50 分钟前更新
最新进展10月21日 12:00
AnchorRM：面向时序图神经网络的批内并行状态重建与锚点残差记忆报道时间线
沿着报道，了解事件的不同侧面。
10月21日
- arXiv cs.AIAnchorRM：面向时序图神经网络的批内并行状态重建与锚点残差记忆
AnchorRM 用锚点残差记忆机制重建批内事件级节点状态，无需顺序执行循环更新，从而解决时序小批量中节点记忆陈旧的问题。在四个时序图数据集和三种记忆型骨干上，训练平均加速 6.16 倍（最高 10.05 倍），批大小扩展达 28.67 倍（最高 40 倍），同时保持有竞争力的预测性能。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。