论文阅读四十八：免训练图神经网络和标签作为特征的力量

发表于2024-12-17|更新于2024-12-17|GNN

|浏览量:

摘要

我们提出免训练图神经网络（TFGNNs），无需训练即可使用，也可以使用选择性的训练来改善，对于转导节点分类。我们首先提倡标签即特征（LaF），这是一种可接受但尚未探索的技术。我们证明了LaF可证明地增强了图神经网络的表达能力。我们基于这一分析设计了TFGNN。在实验中，我们证实了TFGNN在无训练环境中优于现有的GNN，并且比传统的GNN收敛的训练迭代次数少得多。论文地址

文章作者: Serge Wang

文章链接: https://sergewang.github.io/2024/12/17/%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB%E5%9B%9B%E5%8D%81%E5%85%AB%EF%BC%9A%E5%85%8D%E8%AE%AD%E7%BB%83%E5%9B%BE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E5%92%8C%E6%A0%87%E7%AD%BE%E4%BD%9C%E4%B8%BA%E7%89%B9%E5%BE%81%E7%9A%84%E5%8A%9B%E9%87%8F/

版权声明: 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Model The World！

论文阅读 GNN

相关推荐

论文阅读一：高效扩散模型：从原理到实践的全面综述

论文阅读三：生成的表示对齐（REPA）：训练扩散变换器比你想象的要容易

论文阅读二：成像和视觉扩散模型教程

论文阅读七：LLaMA-Factory：100多种语言模型的统一高效微调

摘要高效的微调对于使大型语言模型（LLM）适应下游任务至关重要。然而，在不同的模型上实现这些方法需要付出巨大的努力。我们介绍LLAMAFACTORY，这是一个整合了一套尖端高效训练方法的统一框架。它提供了一种解决方案，可以灵活地定制100多个LLM的微调，而无需通过内置的web UI LLAMABOARD进行编码。我们实证验证了我们的框架在语言建模和文本生成任务上的效率和有效性。它已发布于 https://github.com/hiyouga/LLaMA-Factory ，并获得了25000多颗星和3000个fork。引言大型语言模型（LLM）（赵等人，2023）具有显著的推理能力，并赋予了广泛的应用，如问答（Jiang等人，2023b）、机器翻译（Wang等人，2023c；Jiao等人，2023a）和信息提取（Jiao等人（2023b））。随后，大量LLM被开发出来，并可通过开源社区访问。例如，Hugging...

论文阅读三十一：3D高斯溅射用于实时辐射场渲染

辐射场方法最近彻底改变了用多张照片或视频捕获的场景的新颖视图合成。然而，实现高视觉质量仍然需要训练和渲染成本高昂的神经网络，而最近更快的方法不可避免地会以速度换取质量。对于无界和完全场景（不是独立物体）和1080p分辨率渲染，当前没有方法可以取得实时显示速率。我们引入三个关键因素，允许我们取得先进视觉质量，同时保持有竞争力的训练次数，并且重要的是，允许1080分辨率的高质量实时（ ≥30fps\ge 30 fps≥30fps...

论文阅读三十七：Mamba：具有选择性状态空间的线性时间序列建模

数据加载中