研究人员开发了一个新框架，通过将问题表述为半松弛Gromov-Wasserstein目标来理解大规模网络。这种方法允许概率耦合来松弛分配问题，从而得到网络生成结构的低维表示。该方法使用块坐标条件梯度算法，并证明了松弛和确定性分配之间的最优性差距以O(1/n)的速率消失，从而能够有效地恢复和统计分析底层模型。 AI
影响 引入了一个分析复杂网络结构的新颖数学框架，有可能改进依赖于图数据的机器学习模型。
排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了一种新的网络学习方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.02223v1 Announce Type: new Abstract: Estimating the generative mechanism of large-scale networks is a fundamental challenge in statistical machine learning. It requires the identification of the latent connectivity structure, which is in general an NP-hard combinatoria…
Estimating the generative mechanism of large-scale networks is a fundamental challenge in statistical machine learning. It requires the identification of the latent connectivity structure, which is in general an NP-hard combinatorial problem due to the absence of canonical node l…