讲个
T
ransformer比较热门的创新思路：+GCN。
这种结合充分利用了GCN对图结构数据的处理能力以及Transformer在处理序列数据方面的优势，能非常有效地提升模型在多种任务上的表现。
因此它在很多实际应用场景中都非常好用，比如交通流量预测（MAGCN与MALTFormer模型）、3D目标跟踪（3DMOTFormer）、医学图像分析等，是个拥有显著学术价值和实际应用潜力的研究方向。
目前，
T
ransformer+GCN
仍处于快速发展期，未来可能会在动态图与时空建模、多模态融合、轻量化与效率优化等方面有所突破。
我这次就挑选了
9篇
前沿成果
供大家学习，帮助各位快速了解这个GNN领域的重要研究方向。
扫码
添加小享，
回复“
GCN结合
”
免费获取
全部
论
文+代码合集
Enhancing App Usage Prediction Accuracy With GCN-Transformer Model and Meta-Path Context
方法：
论文提出了一种名为MP-GT的新型模型，通过在GCN-Transformer框架中引入元路径引导优化，提高了应用使用预测的准确性。该方法通过采用GCN和Transformer方法提取局部子图结构和全局图结构，解决了悬停问题和过度平滑问题。此外，作者通过引入元路径引导的目标函数，增强了语义信息和应用使用模式的提取能力。
实验证明，MP-GT在准确率方面比语义感知的图卷积网络（SA-GCN）基线模型提高了13.33%。此外，MP-GT在相同指标上比基线模型CAP提高了74.02%。此外，与SA-GCN相比，MP-GT的训练时间缩短了79.47%。
创新点：
-
MP-GT将GCN和Transformer两种架构相结合，通过在GCN层后面引入Transformer子网络，捕捉节点的长距离依赖关系，解决了GCN中的过度平滑和过度压缩问题，使得模型更具表达力和综合性。
-
MP-GT通过引入meta-path引导的优化函数，实现对观察到的共现关系的捕捉，从而获得更丰富和有意义的上下文关系，提高了预测性能。此外，该方法还具有快速收敛的特点，减少了训练时间。
MotionAGFormer: Enhancing 3D Human Pose Estimation With a Transformer-GCNFormer Network
方法：
论文介绍了一种新颖的用于3D人体姿势估计的模型MotionAGFormer。该模型结合了Transformer和图卷积网络（GCNs）的优势，通过自适应融合从Transformer和图卷积网络中提取的特征，实现了对人体运动的全面和平衡的表示，从而提高了3D姿势估计的准确性。
实验证明，MotionAGForme在Human3.6M数据集和MPI-INF-3DHP数据集上使用的参数是之前领先模型的四分之一，计算效率是其三倍。
创新点：
-
引入了Attention-GCNFormer (AGFormer)模块，通过使用两个并行的Transformer和GCNFormer流，将通道数量分割。GCNFormer模块利用相邻关节之间的局部关系，输出与Transformer输出互补的新表示。
-
通过堆叠多个AGFormer模块，提出了四个不同的MotionAGFormer变体，可以根据速度和准确性的权衡进行选择。
扫码
