English(EN) A Topological Characterization of Graph Neural Networks via Stochastic Block Model Embeddings on the n-Sphere

新的拓扑框架用于表征图神经网络以实现迁移学习

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-09 04:00

研究人员开发了一种新颖的拓扑框架来分析和比较训练好的图神经网络（GNN）。该方法将诱导的随机块模型映射到单位n-球面，创建GNN的低维“指纹”。此指纹可用于目视检查、最近邻搜索以及识别迁移学习的候选者，而无需重新训练。 AI

影响通过提供标准化的拓扑指纹，能够更有效地比较GNN模型并进行迁移学习。

排序理由该集群包含一篇学术论文，详细介绍了分析GNN的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

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]

arXiv cs.AI TIER_1 English(EN) · Gopal Anantharaman · 2026-06-09 04:00

通过n-球上的随机块模型嵌入对图神经网络进行拓扑表征

arXiv:2606.07598v1 Announce Type: cross Abstract: We propose a topological framework for comparing trained Graph Neural Networks (GNNs) by mapping the Stochastic Block Models (SBMs) induced on the graphon-signal space of a Message Passing Neural Network (MPNN) onto the unit $n$-s…