Dirichlet energy
PulseAugur coverage of Dirichlet energy — every cluster mentioning Dirichlet energy across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的LEED指标为GNN过平滑提供了细粒度洞察
研究人员引入了LEED（局部嵌入演化距离），这是一种旨在解决图神经网络（GNN）中过平滑问题的新颖指标。与现有的Dirichlet能量等全局度量不同，LEED分析了节点级别嵌入在不同层之间的演化，从而更细粒度地理解表示的动态。这种节点级别的洞察力可以识别异质的过平滑模式，并可用于导出信息丰富的节点重要性分数。研究人员还利用LEED来制定更有效的虚拟节点选择策略，旨在缓解过压榨问题并提高GNN性能。
-
新的拉伸变换框架增强了表格数据的深度学习能力
研究人员引入了一个名为“拉伸变换”的新框架，以改进深度学习模型处理异构表格数据的方式。该框架将数值特征预处理优化为一个优化问题，以创建更平滑、更易于学习的目标函数。提出了两种变体：无监督拉伸，它重新分配特征密度；以及有监督拉伸，它基于目标函数的平滑度优化变换。在38个数据集上的实验表明，有监督拉伸的性能持续优于现有方法，这表明为目标函数平滑度进行优化是表格深度学习的一种有价值的策略。
-
高斯扰动可防止循环GNN中的过平滑
研究人员开发了一种使用持久高斯扰动来对抗循环图神经网络（GNN）中过平滑的新颖方法。该技术在每次传播步骤后注入独立的斯诺伊噪声，将GNN转变为随机动力系统。分析表明，该方法保证节点表示不会崩溃到低维子空间，从而防止渐近过平滑并保持表示多样性。
-
新的PIEFS框架提供物理信息谱表示学习
研究人员推出了一种新颖的监督式神经表示学习框架PIEFS，该框架利用修改后的狄利克雷能量实现谱归纳偏置。这种方法称为物理信息特征函数可学习缩放，它在经验Gram正交性和具有可学习度量的狄利克雷惩罚下训练标量坐标映射。在各种基准测试上的实验表明，PIEFS作为一种紧凑的监督式谱表示方法是有效的，未来的工作将侧重于优化稳定性和更丰富的度量参数化。
-
新型DCQ-GNN模型增强了图神经网络的谱滤波
研究人员推出了一种新颖的谱图神经网络（GNN）DCQ-GNN，该网络利用自适应凸凹二次滤波器。这种方法旨在提高谱选择性和在图结构数据上的性能，同时避免了与高阶滤波器相关的优化挑战。DCQ-GNN在同质图和异质图上均表现出强劲性能，与现有方法相比，在抵抗结构扰动方面显示出更强的鲁棒性。