PulseAugur
中
实时 09:15:00
English(EN) Never Skip a Batch: Dense Learning of Temporal GNNs via Adaptive Pseudo-Supervision

新方法通过自适应伪监督加速时态GNN训练

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为Moving-Averaged Labels (MAL)的新方法，以改进时态图神经网络（GNN）的训练。该技术通过基于过去的监督信号分配软伪目标来解决现实世界动态图中监督不规则的问题。MAL旨在减少梯度方差并加速收敛，而无需更改模型架构或损失函数。实验表明，MAL显著提高了预测性能，并实现了更快的达到准确率的时间，在常见的Temporal Graph Benchmark数据集上确立了新的最先进水平。 AI

影响 加速了时态图神经网络的训练，可能实现更有效的现实世界动态图分析。

排序理由 该集群包含一篇详细介绍训练时态图神经网络新方法的学术论文。[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 →

新方法通过自适应伪监督加速时态GNN训练

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Alexander Panyshev, Dmitry Vinichenko, Oleg Travkin, Roman Alferov, Alexey Zaytsev ·

    切勿跳过批次：通过自适应伪监督实现时序图神经网络的密集学习

    arXiv:2505.12526v2 Announce Type: replace Abstract: Temporal graph networks suffer from irregular supervision in realworld dynamic graphs, as most minibatches contain few labeled events. The lack of labels leads to high-variance gradient updates and, consequently, slow wall-clock…

相关话题