PulseAugur
中
实时 07:10:07

新型扩散模型ReDiSC可扩展图节点分类

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出ReDiSC，这是一种新颖的重参数化掩码扩散模型，专为具有结构化预测的可扩展节点分类而设计。该模型解决了现有图神经网络（GNN）的局限性，这些网络通常假设节点标签之间条件独立，而在图结构中并非总是如此。ReDiSC在变分期望最大化框架内使用扩散模型来估计节点标签的联合分布，提供了效率优势，并在各种图类型和大小上实现了具有竞争力的性能。值得注意的是，ReDiSC在先前基于扩散的方法失败的大型数据集上表现出可扩展性。 AI

影响 这种新的扩散模型为图神经网络中的节点分类任务提供了更高的可扩展性和准确性。

排序理由 该集群包含一篇详细介绍节点分类新模型的论文。[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 →

新型扩散模型ReDiSC可扩展图节点分类

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yule Li, Yifeng Lu, Zhen Wang, Zhewei Wei, Yaliang Li, Bolin Ding ·

    ReDiSC：一种用于可扩展节点分类和结构化预测的重参数化掩码扩散模型

    arXiv:2507.14484v2 Announce Type: replace Abstract: In recent years, graph neural networks (GNN) have achieved unprecedented successes in node classification tasks. Although GNNs inherently encode specific inductive biases (e.g., acting as low-pass or high-pass filters), most exi…

相关实体

相关话题