English(EN) Pricing Symbolic Rules by What GNNs Leave Unlearned

新方法通过衡量未学习的信息来为 GNN 定价符号规则

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-09 14:03

研究人员开发了一种新方法，通过量化图神经网络（GNN）未能学习到的内容来为其定价符号规则。该方法用规则潜在增益的精确度量取代了传统的对数损失减少的标尺，然后根据产生的神经债务进行调整。该方法通过根据网络的残差误差对候选规则进行评分来发现规则，并控制家族错误。该技术成功地在 ZINC 数据集上恢复了一个隐藏的环项，并在其他几个数据集上优于专家设计的规则，证明了其在规则发现和应用方面的有效性。 AI

影响这项研究可能有助于在 GNN 中更有效地发现和集成规则，从而可能提高其在复杂任务上的性能。

排序理由这是一篇研究论文，详细介绍了一种为图神经网络定价符号规则的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.NE (Neural & Evolutionary) 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: 1 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇研究论文，详细介绍了一种为图神经网络定价符号规则的新方法。[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: 1 days old; Coverage has settled into its steady-state source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.NE (Neural & Evolutionary) TIER_1 English(EN) · Prithwineel Paul · 2026-11-09 14:03

基于GNN未学到的内容来定价符号规则

Symbolic knowledge (motif counts, ring counts, label constraints) is routinely added to graph neural networks (GNNs) and justified by their limited expressivity. We replace this yardstick with an exact one. The largest log-loss reduction a rule $S$ can give a model family is $I(Y…

本文如何被排名

报道来源 [1]

基于GNN未学到的内容来定价符号规则

相关实体

相关话题