新的谱编码用于有向图，利用 Krylov 子空间

作者 PulseAugur 编辑部 · [2 个来源] · 2026-07-08 06:05

研究人员开发了新的有向图谱位置编码，克服了现有方法的局限性。这些可学习的编码在构造上是规范不变的，并且可以使用厄米块 Krylov 子空间高效计算，仅需要稀疏矩阵向量乘积。与不区分方向的方法相比，所提出的方法在有向图基准测试中表现出改进的性能，并提供了更准确地捕获图结构的方法。 AI

影响这项研究通过提供更有效的定位信息，有可能提高图神经网络在有向图任务上的性能。

排序理由该集群包含一篇研究论文，详细介绍了有向图谱位置编码的新方法。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv stat.ML TIER_1 English(EN) · Jiaqing Xie, Yuxin Wang · 2026-07-09 04:00

Gauge-Invariant Learnable Spectral Positional Encodings for Directed Graphs via Hermitian Block Krylov Subspaces

arXiv:2607.07032v1 Announce Type: cross Abstract: Spectral positional encodings (PEs) for \emph{directed} graphs face two obstacles: magnetic Laplacians require an $O(n^3)$ Hermitian eigendecomposition per potential, and their complex eigenvectors are defined only up to unitary g…
arXiv stat.ML TIER_1 English(EN) · Yuxin Wang · 2026-07-08 06:05

Gauge-Invariant Learnable Spectral Positional Encodings for Directed Graphs via Hermitian Block Krylov Subspaces

Spectral positional encodings (PEs) for \emph{directed} graphs face two obstacles: magnetic Laplacians require an $O(n^3)$ Hermitian eigendecomposition per potential, and their complex eigenvectors are defined only up to unitary gauge, which prior work handles with basis-invarian…