PulseAugur
中
实时 09:08:02
English(EN) CGRL: Causal-Guided Representation Learning for Node-Level Out-of-Distribution Generalization

新的CGRL框架增强图神经网络泛化能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为因果引导表示学习（CGRL）的新框架，以提高图神经网络（GNNs）的分布外（OOD）泛化能力。CGRL通过拟合噪声而非因果机制来解决GNNs在分布变化时遇到的问题，导致表示不稳定。该框架包括一个重新加权的表示学习模块以抑制噪声，以及一个用于鲁棒泛化的优化策略，在基准数据集上表现出改进的性能并减轻了训练不稳定性。 AI

影响 增强了基于图的AI模型在真实世界、不断变化的数据分布中的鲁棒性。

排序理由 该集群描述了一篇发表在arXiv上的新研究论文，详细介绍了一个用于改进图神经网络泛化的新颖框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 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CGRL框架增强图神经网络泛化能力

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Bowen Lu, Liangqiang Yang, Teng Li, Kun Zhang ·

    CGRL：用于节点级分布外泛化的因果引导表示学习

    arXiv:2603.24304v2 Announce Type: replace Abstract: Graph Neural Networks (GNNs) deliver strong performance on graph tasks, but their accuracy drops significantly under out-of-distribution (OOD) scenarios. Under distribution shifts, GNNs often fit environmental noise and spurious…

相关实体

相关话题