标签
GraphNOSE是一个开源图Transformer框架，能够从分子结构预测多标签嗅觉描述符，以更少的参数实现优于现有方法的性能，并提升对分布外化合物的泛化能力。
本文介绍了MiGHT-EHR，一种针对异质时序EHR数据的多任务图变换器，联合建模临床实体、时间轨迹和任务依赖。在MIMIC-III和MIMIC-IV上，它在药物推荐、住院时长、死亡率和再入院预测方面均优于现有最先进方法。
THGFM 是一种双分支时序异构图融合模型，结合了共享空间注意力、关系类型分区注意力与旋转时序注意力，在学术图基准测试上优于基线模型。
X-LogSMask 提出了一种用于图Transformer的对数结构掩码，将图拓扑直接注入注意力logits中，在20个基准测试中的13个上实现了最先进的性能，同时保持了可解释性和多跳信息传播。
本文介绍了RelGT-AC，一种专门为关系数据库中的自动补全任务设计的关系图变换器架构。该模型在RelGT架构基础上扩展了列掩码以防止平凡解、用于多种预测类型的统一任务头，以及利用词汇信号的TF-IDF文本编码器，在RelBench v2基准测试上取得了显著优于基线的改进。