研究人员开发了一个新的高阶图学习框架，解决了现有方法的扩展性限制。该方法引入了简化的和分解的细胞 Weisfeiler Leman 测试，以提高计算效率并保持表达能力。此外，还提出了一种新颖的最大团复形和一种称为 CliqueWalk 的有偏随机游走方法，以实现具有降低的时间和内存复杂度的可扩展学习。 AI
影响 能够对复杂的关系数据进行更具表达力和可扩展性的分析，有可能在药物发现和社交网络分析等领域提高性能。
排序理由 该集群包含一篇详细介绍图学习新方法的论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.31373v1 Announce Type: cross Abstract: Graph neural networks (GNNs) are limited to modeling pairwise interactions, while higher-order models based on cell complexes achieve greater expressivity but often suffer from poor scalability. We introduce simplified and factore…
Graph neural networks (GNNs) are limited to modeling pairwise interactions, while higher-order models based on cell complexes achieve greater expressivity but often suffer from poor scalability. We introduce simplified and factored cellular Weisfeiler Leman tests (sCWL and fCWL),…