一篇新的研究论文探讨了图神经网络（GNNs）中使用的截断位置编码（PEs）的理论特性。研究表明，虽然完整的谱和基于游走的PEs具有同等的表达能力，但由于复杂性限制而在实践中常用的截断版本却存在显著差异。研究证明，截断的谱PEs的威力不如之前认为的那么大，并且在真实世界数据集上，不同截断PEs的组合表现最佳。 AI
影响 这项研究阐明了GNNs中常用截断位置编码的表达能力，可能有助于更有效的模型设计。
排序理由 该集群包含一篇发表在arXiv上的研究论文，详细介绍了图神经网络的理论和实验发现。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
Positional encodings (PEs) enhance the power of graph neural networks (GNNs), both theoretically and empirically. Two of the most popular families of PEs - spectral (e.g., Laplacian eigenspaces, effective resistance) and walk-based (polynomials of the adjacency matrix) - are theo…
Positional encodings (PEs) enhance the power of graph neural networks (GNNs), both theoretically and empirically. Two of the most popular families of PEs - spectral (e.g., Laplacian eigenspaces, effective resistance) and walk-based (polynomials of the adjacency matrix) - are theo…