PulseAugur
中
实时 07:50:58
English(EN) On the Rademacher Complexity of Graph Neural Networks: Unifying Expressivity and Geometry

具有随机特征的图神经网络展现出通用性

作者 PulseAugur 编辑部 · [2 个来源] ·

一篇新的研究论文探讨了消息传递图神经网络（GNNs）在添加随机节点特征后的能力。该研究为置换等变神经网络（PENNs）——一个包含许多流行架构的GNNs类别——建立了一个理论上的通用性结果。研究结果表明，具有部分随机化节点特征的PENNs可以有效地近似固定大小有向图上的广泛函数。此外，该研究还提供了连续可微函数的近似率界限，将网络前馈组件的复杂度与近似的准确性联系起来。 AI

影响 为一类GNNs建立了理论通用性，可能提高它们在基于图的任务中的表达能力和近似能力。

排序理由 该集群包含一篇详细介绍图神经网络理论进展的学术论文。[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 2 个来源。 我们如何撰写摘要 →

具有随机特征的图神经网络展现出通用性

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Martin Carrasco, Caio F. Deberaldini Netto, Vahan A. Martirosyan, Ehimare Okoyomon, Caterina Graziani ·

    图神经网络的Rademacher复杂度：统一表达能力与几何学

    arXiv:2510.10101v4 Announce Type: replace Abstract: Understanding the interplay between generalization, expressivity, and the geometry of the input space is a central challenge in graph learning. The expressivity of Graph Neural Networks (GNNs) is typically characterized through …

  2. arXiv stat.ML TIER_1 English(EN) · Lukas Gonon, Thilo Meyer-Brandis, Niklas Weber ·

    具有随机特征的图神经网络的普遍性和逼近率

    arXiv:2607.26699v1 Announce Type: cross Abstract: We investigate message-passing graph neural networks with random node features. Random node features are known to enhance the expressiveness of graph neural networks (GNNs) both theoretically and empirically. Here, we establish a …

相关实体

相关话题