研究人员为稀疏随机图上的图神经网络常微分方程（GNDEs）开发了一个零样本尺寸迁移的理论框架。该原理允许在较小图上训练的GNDEs在不重新训练的情况下部署到更大、相似的图上，利用局部、与尺寸无关的滤波器。该研究建立了GNDE解收敛到其无限节点极限的速率，并分析了训练方法，在实验中展示了准确的零样本迁移。 AI
影响 这项研究可能能够实现图神经网络在不同图尺寸上的更高效训练和部署。
排序理由 详细介绍图神经网络理论进展的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.26662v1 Announce Type: cross Abstract: Graph Neural Differential Equations (GNDEs) model continuous-time graph dynamics by parameterizing Neural ODE velocity fields with Graph Neural Networks. Their local, size-independent filters suggest a zero-shot size-transfer prin…
Graph Neural Differential Equations (GNDEs) model continuous-time graph dynamics by parameterizing Neural ODE velocity fields with Graph Neural Networks. Their local, size-independent filters suggest a zero-shot size-transfer principle: train on a small graph and deploy on larger…