PulseAugur
中
实时 09:32:21
English(EN) Filter Learning for Subgraphs: Algebras and Performance Risk Bounds

新的子图滤波器学习框架提供了改进的性能

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为子图滤波器学习（SFL）的新框架，以解决图信号处理中的挑战，在这些挑战中，完整的图拓扑通常是不可用的。SFL使用子图支持的算子在部分观测下近似环境图滤波器，将问题表述为统计学习任务。所提出的方法引入了一个基于距离感知拉普拉斯构造的子图滤波器代数，它定义了一个结构化的滤波器类别以进行有效近似，并建立了性能风险界限。在真实数据集上的实验表明，SFL模型持续优于现有基线。 AI

影响 这项研究引入了一种处理不完整图数据的新方法，有可能提高基于图的AI任务的性能。

排序理由 该集群包含一篇关于新颖机器学习框架的学术论文。[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 →

新的子图滤波器学习框架提供了改进的性能

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Purui Zhang, Feng Ji, Yanan Zhao, Bihan Wen, Wee Peng Tay ·

    子图的过滤学习：代数与性能风险界限

    arXiv:2607.21263v1 Announce Type: new Abstract: Graph signal processing tasks that leverage spectral information typically assume access to the complete graph topology, which is often unavailable in practice. We propose a systematic framework for subgraph filter learning (SFL), w…

相关话题