新的熵曲率方法增强图神经网络

研究人员引入了一个称为熵曲率的新概念，以解决图神经网络（GNNs）的局限性，特别是过平滑和过压缩问题。这种新方法通过使用源自熵沿 Wasserstein 测地线的位移凸性的全局、基于传输的方法来扩展现有的曲率概念。该论文提出了一种可处理的曲率代理，并证明了其在控制过平滑、约束传输-熵泛化以及证明统一过平滑和过压缩于单一曲率谱的膨胀悖论方面的效用。实际应用包括三种新机制：E-Gate 聚合器、ENT 结构编码和中点完成重连（MCR），这些机制已在节点和图分类任务上与几种现有方法进行了基准测试。 AI

影响 引入了一个新的几何框架，可以提高基于图的AI模型的性能和鲁棒性。

排序理由 学术论文，为图神经网络引入了新的理论概念和实用机制。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• BORF
• E-Gate
• Entropic Curvature
• Forman
• Graph Neural Networks
• Graph Ricci Flow
• Lott-Sturm-Villani
• Midpoint-Completion Rewiring
• Wasserstein

• 论文
• 基础设施

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