研究人员证明，谱图稀疏化（一种用于简化图神经网络 (GNN) 以加快计算的技术）也能保留所学嵌入的几何结构。他们的理论分析表明，稀疏化对 GNN 表示及其 Gram 矩阵的扰动极小。在各种数据集上通过实证验证了这种表示几何的保留，表明谱稀疏化不仅可以保持计算效率，还可以保持 GNN 嵌入的完整性，以用于可解释性等下游任务。 AI
影响 谱图稀疏化可保持 GNN 嵌入的几何完整性，有望提高可解释性和下游任务的性能。
排序理由 这是一篇发表在 arXiv 上的研究论文，详细介绍了图神经网络的理论和实证研究结果。
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:2605.01136v1 Announce Type: cross Abstract: Spectral graph sparsification is a classical tool for reducing graph complexity while preserving Laplacian quadratic forms. In graph neural networks (GNNs), sparsification is often used to accelerate computation while maintaining …
Spectral graph sparsification is a classical tool for reducing graph complexity while preserving Laplacian quadratic forms. In graph neural networks (GNNs), sparsification is often used to accelerate computation while maintaining predictive performance. In this work, we study a c…