Компьютерные науки > Машинное обучение [представлено 27 октября 2026 года] Название: HeteGCD: Statistics-Breaking Dublic-Protoтип Учеба для общего исследования категории Гетофильных графических просмотров PDF HTML (экспериментальный) Резюме. Это ограничение особенно проявляется в обобщенном открытии категорий (ГБД), которое требует, чтобы модели распознавали известные классы и открывали новые с использованием этикеток только из известных классов. Вместе с тем существующие методы составления графиков ГСР, как правило, основаны на вышеупомянутых индуктивных предрассудках по признаку гомофилии, которые плохо подходят для гетерофилических графов. В то же время, хотя современные методы обучения на графике гетерофильных материалов используют различные сигналы по соседству, их отбор и слияние часто осуществляются под наблюдением всех классов, включая новые классы, ярлыки которых отсутствуют в ГКЗ. В связи с этими ограничениями возникает ключевой вопрос: как можно эффективно использовать разнородную информацию по соседству для открытия категорий без какого-либо контроля за новым классом? Для ответа на этот вопрос в этом исследовании мы предлагаем HeteGCD, новый статистический подход к изучению двухпрототипов для общего открытия категорий на графиках гетерофилов. Ключевая идея заключается в изучении как статистики различий местных атрибутов, так и распределения классов по соседству для получения дискриминирующей информации одновременно в пространствах характеристик и вероятностей.…
ГетеГД: Статистические данные о двухпрототипном обучении для использования в общих целях на гетерофильных графах
arXiv: 261 0366696v1 Annualce Type: New Humbertrial: Geterophils графики широко распространены в реальных прикладных программах, где подсоединенные узлы часто имеют разные атрибуты или принадлежат к различным классам, что создает значительные проблемы для традиционных методов графического обучения на основе гомофилии. Это ограничение особенно проявляется в обобщенном открытии категорий (ГБД), которое требует, чтобы модели распознавали известные классы и открывали новые с использованием этикеток только из известных классов. Вместе с тем существующие методы составления графиков ГСР, как правило, основаны на вышеупомянутых индуктивных предрассудках по признаку гомофилии, которые плохо подходят для гетерофилических графов. В то же время, хотя современные методы обучения на графике гетерофильных материалов используют различные сигналы по соседству, их отбор и слияние часто осуществляются под наблюдением всех классов, включая новые классы, ярлыки которых отсутствуют в ГКЗ. В связи с этими ограничениями возникает ключевой вопрос: каким образом можно эффективно использовать разнородную информацию по соседству для решения проблем, связанных со здоровьем населения?