Mamba+GNN双热点联合！发文直冲A会！人人可学！

人工智能学起来

已于 2024-11-12 22:47:54 修改

阅读量945

点赞数 4

文章标签：人工智能深度学习

于 2024-11-12 22:42:20 首次发布

本文链接：https://blog.csdn.net/2401_88190197/article/details/143725545

版权

Mamba与GNN结合，是近来的新热门，好发不卷！

该结合通过发挥两者的优势，不仅能提高处理图数据的性能和效率，还能拓展应用场景。比如模型STG-Mamba便实现了FLOPs狂降354％的效果；模型SAMBA则性能提升了85.38％

具体来说，GNN擅长捕捉图结构中的节点关系和全局结构信息。Mamba在处理长序列数据方面表现出色。两者结合后，Mamba提供的时序特征可以作为GNN的输入，帮助模型更深入地理解数据中的时间演变和节点间关系。此外，Mamba线性复杂度的特性，也能帮助模型提高计算效率。

目前，主流的结合方法主要有：模型串联、联合优化等。为让大家能够紧跟前沿，找到更多idea启发，我给大家准备了8种前沿创新思路和源码！

论文原文+开源代码需要的同学看文末

论文：Graph-Mamba:TowardsLong-RangeGraphSequenceModeling with Selective State Spaces

内容

该论文提出的Graph-Mamba是一种新型的图网络模型，它通过整合选择性状态空间模型（SSM）来提高对长距离依赖关系的建模能力，特别是在大型图数据中。该模型采用输入依赖的节点选择机制，以数据驱动的方式进行图稀疏化，显著提高了预测性能，同时降低了计算成本和GPU内存消耗。

论文：MAMBAMEETSFINANCIALMARKETS:AGRAPH-MAMBAAPPROACHFORSTOCK PRICE PREDICTION

内容

该论文介绍的SAMBA是一种新型的股票价格预测框架，它结合了Mamba架构和图神经网络（GNN），通过利用双向Mamba块捕获历史价格数据中的长期依赖关系，并使用自适应图卷积建模每日股票特征之间的依赖关系，实现了近似线性的计算复杂度。

论文：STG-Mamba: Spatial-Temporal Graph Learning via Selective State Space Model

内容

该论文描述的STG-Mamba是一种用于空间-时间图（STG）数据学习的新型深度学习模型，它通过结合选择性状态空间模型（SSSM）和图神经网络（GNN），有效地捕捉STG数据的动态和非平稳特性。该模型引入了空间-时间选择性状态空间模块（ST-S3M）来精确关注选定的STG潜在特征，并通过卡尔曼滤波图神经网络（KFGN）从不同时间粒度动态集成和升级STG嵌入。