PulseAugur
中
实时 02:57:43
English(EN) Computationally-efficient Graph Modeling with Refined Graph Random Features

新的图随机特征方法提高了效率和准确性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出精炼图随机特征（GRFs++），这是对现有GRFs的改进，旨在实现高效且准确的图核计算。该新方法采用新颖的游走拼接技术，在不损害无偏性的情况下组合较短的游走，从而解决了建模远距离节点关系方面的局限性。GRFs++在游走终止机制方面也提供了更大的灵活性，允许游走长度上的通用分布，从而在不增加额外计算成本的情况下提高近似精度。 AI

影响 这项研究可能带来更高效、更准确的基于图的人工智能模型，尤其是在需要复杂关系建模的领域。

排序理由 该集群包含一篇详细介绍新图建模方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的图随机特征方法提高了效率和准确性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Krzysztof Choromanski, Avinava Dubey, Arijit Sehanobish, Isaac Reid ·

    具有精炼图随机特征的计算高效图建模

    arXiv:2510.07716v2 Announce Type: replace Abstract: We propose refined GRFs (GRFs++), a new class of Graph Random Features (GRFs) for efficient and accurate computations involving kernels defined on the nodes of a graph. GRFs++ resolve some of the long-standing limitations of reg…

相关话题