研究人员推出了一种新颖的图数据表示学习框架HP-JEPA。该方法采用分层分区来处理多分辨率的图，从局部到全局结构。通过在这些分辨率的潜在空间中预测掩码目标，HP-JEPA捕获了固定分辨率方法所遗漏的互补信息。实验表明，HP-JEPA在大多数图分类和回归基准测试中优于标准的Graph-JEPA基线，尤其在处理大型图方面表现出色。 AI
影响 该框架有望提高依赖于理解不同尺度复杂图结构的任务的性能。
排序理由 该集群包含一篇学术论文，详细介绍了一种新的图表示学习方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
