English(EN) Finite-Time Node Separation in Recurrent Graph Neural Networks with Persistent Gaussian Perturbations

新分析保证了具有高斯扰动的 GNN 中的节点分离

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-15 04:00

研究人员开发了一种用于包含持久高斯扰动的循环图神经网络 (GNN) 的有限时间分析。该分析为任何两个节点表示在每个正时间步长的预期平方距离提供了 \(2\sigma^2 d\) 的通用下界，其中 \(d\) 是表示维度，\(\sigma\) 是噪声标准差。这些发现提供了动态感知界限和对节点级表示分离的严格保证，是对现有渐近能量分析的补充。 AI

影响为 GNN 中的表示分离提供了理论保证，有可能提高模型的鲁棒性和可解释性。

排序理由该项目是一篇学术论文，详细介绍了机器学习模型架构的理论分析。[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 →

本文如何被排名

Signal score: 17 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该项目是一篇学术论文，详细介绍了机器学习模型架构的理论分析。[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, model release; 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: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Mostafa Haghir Chehreghani · 2026-09-15 04:00

具有持久高斯扰动的循环图神经网络中的有限时间节点分离

arXiv:2609.13920v1 Announce Type: cross Abstract: Persistent Gaussian perturbations have been shown to prevent asymptotic oversmoothing in recurrent Graph Neural Networks (GNNs) by ensuring a positive stationary Dirichlet energy. However, this global energy bound does not guarant…

本文如何被排名

报道来源 [1]

具有持久高斯扰动的循环图神经网络中的有限时间节点分离

相关实体

相关话题