PulseAugur
中
实时 20:23:07
English(EN) Dynamic Spectral Filtering for Temporal Graph Learning: Learning Evolving Propagation Operators

新的动态谱滤波方法提高了时序图学习效率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为动态谱滤波（DSF）的新型时序图学习方法，该方法专注于随时间演化图传播机制本身。DSF使用具有时变系数的切比雪夫多项式滤波器来表示任何给定快照的传播，将这些系数视为由门控机制调节的循环时序状态。该方法在MOOC、Wikipedia和Reddit的时序链接预测基准测试中表现强劲，取得了高AP分数，同时在参数数量、GPU内存使用和训练时间方面显著优于DEFT基准。 AI

影响 该方法为时序图学习提供了一种计算效率更高的方法，有可能在资源受限的环境中得到更广泛的应用。

排序理由 关于时序图学习新方法的学术论文。[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 →

新的动态谱滤波方法提高了时序图学习效率

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
关于时序图学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, infra
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
69 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yan Kong ·

    面向时序图学习的动态谱滤波：学习演化传播算子

    arXiv:2607.27891v1 Announce Type: cross Abstract: Temporal graph learning is commonly organized around the evolution of node states or the encoding of interaction histories. We study an underexplored, operator-centric question: should the graph propagation mechanism itself evolve…

相关实体

相关话题