.png){kind=icon}
返回
Efficient quantification on large-scale networks
.png){kind=icon}
OA
AI
DOI：10.1007/s10994-025-06915-w.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络量化（NQ）是估计无标签图节点子集中属于每个类别的节点比例的问题。当先验概率发生偏移时，这项任务无法通过先对节点进行分类再统计类别预测结果来有效解决。此外，与非线性量化不同，NQ需要更强的灵活性，以捕捉广泛的连接模式，并具备应对异质性的挑战和可扩展至大型网络的能力。为了满足这些严格的要求，我们引入了XNQ，一种将随机递归图神经网络计算的无监督节点嵌入的灵活性和效率相结合的方法，同时采用一种期望最大化（Expectation-Maximization）算法，该算法对校准节点分类器的输出概率提供了稳健的量化感知调整。在广泛评估中，我们通过全面的消融实验验证了XNQ的设计选择，发现XNQ持续且显著地优于当前最佳的网络量化方法，从而为这项具有挑战性的任务设定了新的最佳水平。XNQ还提供了高达10倍至100倍的训练加速，优于其他基于图学习的方法。
Keyword:
Quantification
Network quantification
Graph neural networks
Graph learning
Reservoir computing
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容