Графическое представительство Учеба с помощью адаптивной агрегации ожидаемых результатов

Статистические данные > Машинное обучение [представлено 27 октября 2026 года] Название: Графическое представительство Учеба через адаптивное Агрегирование ожидаемой степени зрения HTML (экспериментальное) Резюме: Грэф нейронные сети (ГНН) в решающей мере зависят от агрегирования по соседству, однако традиционное среднее агрегирование может не позволить получить распределенную информацию, имеющую отношение к классу, особенно в гетерофильных графиках. Мы предлагаем AdventileGCN, адаптивную систему агрегирования графиков, которая вводит познавательный уровень ожидаемой информации для сбора информации по соседству сверх среднего. Предлагаемый оператор постоянно корректирует агрегирование между поведением минимального и максимального типов, причем среднее агрегирование является особым случаем. Разное приближение, основанное на сигмоидном сглаживании и итерации в фиксированной точке, позволяет оптимизировать от конца до конца. Теоретически, мы закрепляем остойчивость и трансдуктивные гарантии обобщения для ExpectileGCN. Мы дополнительно изучаем его классификационный риск в рамках гетерофилических моделей по соседству. Для информативных районов мы показываем, что агрегирование ожидаемого количества может использовать различия в масштабах классов для достижения классификационных преимуществ по сравнению со средним агрегированием. В рамках местного асимптотического режима с уменьшением информативности по отношению к соседству мы видим, что это преимущество может сохраняться и в плане…