PulseAugur
中
实时 07:27:39
English(EN) Understanding Truncated Positional Encodings for Graph Neural Networks

新研究探讨图神经网络的截断位置编码

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员已开始调查图神经网络（GNN）中使用的截断位置编码（PE）的理论特性。虽然完整的PE在表达能力上理论上是等价的，但本研究揭示了实践中因复杂性限制而常用的截断版本在其能力方面表现出根本性差异。研究结果表明，截断谱PE不再强于1-WL测试，实验结果表明截断PE的组合在真实数据集上表现最佳。 AI

影响 这项研究阐明了GNN中常用截断位置编码的理论局限性，可能指导更有效的模型设计。

排序理由 这是一篇发表在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。[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) · Amir Nayyeri ·

    Understanding Truncated Positional Encodings for Graph Neural Networks

    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…

相关实体

相关话题