论文对比

DG-Mamba: Robust and Efficient Dynamic Graph Structure Learning with
Selective State Space Models

 论文的创新点

 结论

本文提出了一种健壮高效的线性时间复杂度DGSL（动态图结构学习）框架DG-Mamba。在状态离散化的SSM中，核化的消息传递具有很高的效率。学习结构用DGSL的建议PRI正则化。揭示了长期相关性和潜在的预测模式，以加强稳健性。广泛的实验表明，它在对抗对手攻击的12个最先进的基线上具有优越性。

 Mamba: Linear-Time Sequence Modeling with Selective State Spaces

论文创新点

 结论

我们在结构化状态空间模型中引入了一种选择机制，允许它们在序列长度线性扩展的同时执行上下文相关的推理。当整合到简单的无关注点架构中时，Mamba在不同的域集合上实现了最先进的结果，在这些领域中，它的性能与强大的Transformer模型不相上下，甚至超过了它们。我们的结果表明，Mamba是一个很有可能成为通用序列模型骨架的候选基因。