PulseAugur
实时 09:18:24
English(EN) LEED: Local Embedding Evolution Distance for over-smoothing estimation and virtual node selection in GNN

新的LEED指标为GNN过平滑提供了细粒度洞察

研究人员引入了LEED(局部嵌入演化距离),这是一种旨在解决图神经网络(GNN)中过平滑问题的新颖指标。与现有的Dirichlet能量等全局度量不同,LEED分析了节点级别嵌入在不同层之间的演化,从而更细粒度地理解表示的动态。这种节点级别的洞察力可以识别异质的过平滑模式,并可用于导出信息丰富的节点重要性分数。研究人员还利用LEED来制定更有效的虚拟节点选择策略,旨在缓解过压榨问题并提高GNN性能。 AI

影响 为GNN提供了更细致的诊断工具,有望提高模型性能和效率。

排序理由 该集群包含一篇学术论文,详细介绍了图神经网络的新指标和方法论。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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LEED指标为GNN过平滑提供了细粒度洞察

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Killian Cressant, Pedro B. Velloso ·

    LEED:图神经网络中用于过平滑估计和虚拟节点选择的局部嵌入演化距离

    arXiv:2608.09596v1 Announce Type: cross Abstract: Graph Neural Networks (GNNs) suffer from two fundamental limitations: over-smoothing, where node representations become indistinguishable with depth, and over-squashing, where long-range information is compressed through limited m…