Компьютерные науки > Машинное обучение [представлено 16 сентября 2026 года] Название: ReDIL-GNN: Resynthesis Domain Appremental Learning for Circus Graph Neural Network View PDF HTML (экспериментальное) Резюме: Логичная ресинтезия сохраняет функциональные функции в системе, меняя словарь входа, топологию и структурную статистику, создавая сдвиг домена для сетевых графовых сетей (ГНН) без изменения целевых ярлыков. Для изучения этой ситуации мы введем систему реДИЛЬ-ГНН, повторную программу обучения доменам-инкрементам, которая адаптирует фиксированную главу прогнозирования или представления по мере появления новых стилей синтеза и оценки сохранения во всех ранее наблюдаемых областях. Поскольку не каждый сдвиг должен быть слепо адаптирован, REDIL-GNN далее вводит индекс корректируемости (RAI) - показатель предварительной адаптации, сочетающий потребности в адаптации, восстановимость источника и эквивалентности, структурный охват и совместимость обновления. Мы оцениваем подконтрольные задачи по обеспечению безопасности аппаратных средств и модели представления-обучения с использованием контрольных параметров для классификации и метрик поиска данных о эквивалентности источников для встраивания моделей, сопоставляя наивную доработку с LwF, Online EWC, MAS, ER, A-GEM, DER++, ER+LwF и перепроигрышом на основе эквивалента. В рамках изученных трубопроводов РАИ проводит различие между неподкрепляемыми изменениями и перспективными обновлениями: от 0,001 для структурно раскрытого…
REDIL-GNN: Инкорпоративное обучение для системных графических сетей
arXiv: 2609.18595v1 Annualce Type: New Humber: Logic resynthesis сохраняет функциональные функции цепи, меняя словарь врат, топологию и структурную статистику, создавая сдвиг домена для сетевых графических сетей (GNS) без изменения знаков задач. Для изучения этой ситуации мы введем систему реДИЛЬ-ГНН, повторную программу обучения доменам-инкрементам, которая адаптирует фиксированную главу прогнозирования или представления по мере появления новых стилей синтеза и оценки сохранения во всех ранее наблюдаемых областях. Поскольку не каждый сдвиг должен быть слепо адаптирован, REDIL-GNN далее вводит индекс корректируемости (RAI) - показатель предварительной адаптации, сочетающий потребности в адаптации, восстановимость источника и эквивалентности, структурный охват и совместимость обновления. Мы оцениваем подконтрольные задачи по обеспечению безопасности аппаратных средств и модели представительства-обучения с использованием метрических параметров для классификации задач, а также метрик поиска данных о эквивалентности источников для внедрения моделей, сопоставляя наивную доработку с LwF, Online EWC, M