提出RAFT框架过滤TGNN训练冗余输入
热点事件观察中
提出RAFT框架过滤TGNN训练冗余输入
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
Yue Dai、Sarah Zhou、Youtao Zhang 在 arXiv 论文（arXiv:2610.24875）中提出 RAFT，一个面向时序图神经网络（TGNN）训练的冗余感知输入过滤框架，通过跟踪节点记忆变化过滤部分预测目标与历史上下文，以降低事件处理成本。 基于论文摘要：在三个 TGNN 模型和五个数据集上，作者报告训练输入平均减少 35.23%、最高减少 97.11%，记录的训练时间最高减少 52.56%，模型精度变化很小；材料未提供完整实验细节或更多基线比较。
AI 根据报道生成 · 10 小时前更新
最新进展10月20日 12:00
RAFT：面向时序图神经网络训练的冗余感知输入过滤方法报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · cs.AIRAFT：面向时序图神经网络训练的冗余感知输入过滤方法
基于论文摘要，RAFT 通过跟踪节点记忆变化，过滤部分预测目标与历史上下文，以降低时序图神经网络训练的事件处理成本。在三个模型和五个数据集上，作者报告训练输入平均减少 35.23%、最高减少 97.11%，记录训练时间最高减少 52.56%，模型精度变化很小；材料未提供完整实验细节或更多基线比较。
本事件热度走势
- 可比范围当前
- 5
- 可比范围峰值
- 610月21日 06:00
- 近 24 小时变化
- –
0246
06:0008:0010:0012:0014:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。