PulseAugur
中
实时 00:46:39

新的深度均衡架构SheafDEQ增强测试时计算

研究人员开发了SheafDEQ,一种利用隐式神经束进行测试时计算的新型深度均衡架构。该新模型允许更丰富、依赖于边缘的变换,同时保持均衡公式的好处,例如与迭代无关的参数化。在分布式推理和社区检测等任务上,尤其是在异质性增加的情况下,SheafDEQ已证明比现有的隐式基线具有更好的性能。 AI

影响 引入了一种新颖的深度均衡模型架构,有望在分布式推理和社区检测任务上提高性能。

排序理由 该集群包含一篇详细介绍新模型架构及其在基准测试上性能的研究论文。[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 →

新的深度均衡架构SheafDEQ增强测试时计算

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · R\'emi Bourgerie, \v{S}ar\={u}nas Girdzijauskas, Viktoria Fodor ·

    固定点无固定扩散:隐式神经束用于收敛的测试时计算

    arXiv:2609.30277v1 Announce Type: new Abstract: Implicit Graph Neural Networks (IGNNs) define node representations as fixed points of message-passing operators, enabling effectively infinite-depth propagation, iteration-independent parameterization, and flexible test-time computa…