PulseAugur
中
实时 16:34:48
English(EN) AdaKernel: Learning Adaptive Kernel Parameters for Spatiotemporal Graph Neural Networks

新的AdaKernel方法学习GNN的自适应核参数

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了AdaKernel，一种用于时空图神经网络（GNN）的新方法，可以学习自适应核参数。该方法旨在通过优化交互尺度而不是从头学习图结构来改进时空依赖关系的建模。实验表明，AdaKernel能够增强各种GNN架构，并且优于现有的自适应方法，这表明精确的核参数学习优于固定的先验或潜在的图结构。 AI

影响 AdaKernel有望提高使用GNN的时空数据分析的准确性和效率。

排序理由 这是一篇详细介绍GNN新方法的学术论文。[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 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zhongyue Zhang, Guangyin Jin, Yuxuan Liang, Suwan Yin, Yuankai Wu ·

    AdaKernel: Learning Adaptive Kernel Parameters for Spatiotemporal Graph Neural Networks

    arXiv:2606.01283v1 Announce Type: new Abstract: Modeling spatial dependencies is central to spatiotemporal data analysis using Graph Neural Networks (GNNs). Traditional methods rely on distance-based kernels with predefined parameters, which restricts model capacity. Although gen…

相关实体

相关话题