Ваша дискретная графическая модель диффузии тайна запоминается

arXiv: 2610.13786v1 Аннонс Тип: перекрестное резюме: Дискретные модели диффузии графиков (DGM) искажают структуру графа, добавляя шум независимо к узлам и краям в рамках марковской модели шума. При безусловной настройке без особенностей узла, равномерный джентльмен, обученный на одном графике, может генерировать новые диаграммы и показатели уровня выборки, такие как совпадения краев и сходство ядер WL не обнаруживает никаких признаков запоминания. В этой работе мы бросаем вызов этому взгляду и впервые показываем, что модели распространения графов действительно демонстрируют запоминание. Анализируя траектории обратного распространения ГРМ, обученные двухблоковым стохастическим моделям (SBM), мы находим сильное отклонение данных о поездах: модель восстанавливает поврежденный график тренировок почти идеально по сравнению с выдержанным тест-графом. Мы называем это условное запоминание, так как оно покрывается только тогда, когда обратный траектория выстроена на искаженном тренировочном графике и не видна во время вывода. Совпадает с растущий родник.