message passing
PulseAugur coverage of message passing — every cluster mentioning message passing across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究将合成预训练应用于基于图的关系模型
研究人员探索了将先验数据拟合网络（PFNs）应用于基于图的关系基础模型，特别是Griffin模型。与基于Transformer的模型不同，PFNs在图上下文中的探索有限。该研究采用课程学习方法，在合成关系数据库上预训练Griffin，从指导模式到不指导模式的数据进行。然后，预训练的编码器被用作通用关系表示学习器，将潜在表示传递给冻结的上下文内预测器，而无需在目标任务上进行进一步训练。该方法在16个现实世界的关系分类任务上表现强劲，优于…
-
综述探讨将视觉图数据整合到AI模型中
一篇新的综述论文探讨了新兴的“视觉遇上图”领域，该领域将图的视觉表示整合到机器学习模型中。传统上，图学习侧重于符号结构，忽略了科学家使用的视觉线索，例如化学家解释分子图。这项研究旨在弥合这一差距，将视觉图描绘视为推理和学习的主要输入，从而可能催生出能够像人类专家一样感知和推理图的基础模型。
-
新的 SF-GNN 框架提高了图神经网络的公平性
研究人员开发了一个名为子图过滤用于公平图神经网络（SF-GNN）的新框架，以解决图神经网络中的不公平问题。该方法通过识别和过滤传播敏感信息的边来解决结构偏差，即使在没有明确使用敏感属性的情况下也是如此。SF-GNN 在 GNN 的消息传递步骤中选择性地降低或移除这些易产生偏差的边。在多个数据集上的实验表明，SF-GNN 在保持强大预测性能的同时提高了公平性，与现有方法相比，在公平性和准确性之间取得了更好的平衡。
-
新的量子图神经网络框架有望实现可扩展性和表达能力
研究人员开发了一种新颖的消息传递量子图神经网络 (QGNN) 框架，该框架旨在实现可扩展性和表达能力。这种新的 QGNN 具有排列等变性，并且可以精确地定位在 Weisfeiler-Leman 层级中，这是图区分的标准度量。该框架通过引入预训练策略解决了变分量子电路中常见的可训练性问题，并通过多达 56 个量子比特的大规模模拟进行了验证。