forked from manbo/internal-docs
22 lines
1.5 KiB
Plaintext
22 lines
1.5 KiB
Plaintext
图表示学习/异构图（直接对应你选的(设备,寄存器)结构）
|
||
|
||
你明确了节点是 (设备,寄存器)，这天然是二部图/异构图（Device 与 Register 两类实体）。STOUTER 用的是 base station graph；你这里更建议引用异构图建模经典方法，解释为什么要用二部图结构做“空间先验”。
|
||
|
||
Kipf & Welling. Semi-Supervised Classification with Graph Convolutional Networks (GCN). ICLR 2017.
|
||
用途：基础 GCN；你做拓扑表征学习的常用基线引用。
|
||
|
||
Veličković et al. Graph Attention Networks (GAT). ICLR 2018.
|
||
用途：注意力聚合，适合“不同邻边权重不同”（例如不同设备之间依赖强弱不同）。
|
||
|
||
Xu et al. How Powerful are Graph Neural Networks? (GIN). ICLR 2019.
|
||
用途：强调结构表达能力；如果你需要强结构区分能力，可引用。
|
||
|
||
Schlichtkrull et al. Modeling Relational Data with Graph Convolutional Networks (R-GCN). ESWC 2018.
|
||
用途：关系类型图卷积；很适合你在(设备,寄存器)图里加入多种边：read、write、same-device、process-link 等关系类型。
|
||
|
||
Hu et al. Heterogeneous Graph Transformer (HGT). WWW 2020.
|
||
用途：异构图 Transformer；如果你后续把“设备类型/寄存器类型/功能码”都纳入异构建模，HGT 是很强的参考。
|
||
|
||
Hou et al. GraphMAE: Self-Supervised Masked Graph Autoencoders. KDD/相关会议 2022.
|
||
用途：图自监督预训练；对应 STOUTER 的图 autoencoder 预训练思想，你可以用它支撑“先学图嵌入，再用于生成”。
|