PulseAugur
中
实时 14:59:22
English(EN) Graph is a Natural Regularization: Revisiting Vector Quantization for Graph Representation Learning

新的RGVQ框架改进了图表示学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了RGVQ，一个新框架，用于解决图表示学习中向量量化的码本坍塌问题。这个问题限制了图数据表示的表达能力。RGVQ将图拓扑和特征相似性作为正则化信号，使用软分配和结构感知对比正则化来提高码本利用率和令牌多样性。实验表明，RGVQ在各种下游任务中都提高了性能，从而产生了更具可迁移性的图令牌表示。 AI

影响 增强了图表示学习，可能提高涉及结构化数据的下游AI任务的性能。

排序理由 该集群包含一篇详细介绍图表示学习新方法的论文。[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 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Zian Zhai, Fan Li, Xingyu Tan, Xiaoyang Wang, Wenjie Zhang ·

    Graph is a Natural Regularization: Revisiting Vector Quantization for Graph Representation Learning

    arXiv:2508.06588v3 Announce Type: replace-cross Abstract: Vector Quantization (VQ) has recently emerged as a promising approach for learning compressed and discrete representations for graph-structured data. However, a fundamental challenge, i.e., codebook collapse, remains under…

相关实体

相关话题