NeurIPS 论文:池化时保留子结构,提升 GNN 层级任务表现
JeremyCMorgan · x · 2026-11-20
NeurIPS 2026 接收论文《Hierarchical Graph Representation Learning with Pooling-Induced Substructures》,针对 GNN 在图池化时丢失子结构信息的问题提出新方法。
- 提出 Pooled-Substructure-Aware GNN:显式保留并处理基于结构的池化所发现的子结构
- 在 Weisfeiler-Lehman (WL) 测试意义下增强了池化型 GNN 的表达能力
- 发布两个带可控层级结构的新合成数据集,并提出衡量真实图基准中层级模式占比的指标
- 在层级结构相关的任务上超过同类池化基线,在结构简单基准上仍具竞争力
- 代码与数据集已开源
「研究」频道最新
- μSAM2 发布:基于 3000 万标注细胞训练的显微图像分割新模型 — alxndrkalinin · 2026-11-20
- SnakeBench 实测:最强模型仍难预判 3 步以上贪吃蛇走势 — GregKamradt · 2026-11-20
- Datalab CEO:多数榜单是厂商冲第一的工具,教你自查基准 — VikParuchuri · 2026-11-20
- 纯视觉检索登顶 ViDoRe V3:GLM+EVIE 组合拿下 70.01 nDCG@10 — CShorten30 · 2026-11-20
- Verne Robotics 被誉为机器人界的 Thinking Machines:V0.5 开源权重模型登顶 — chris_j_paxton · 2026-11-20
- 腿足机器人状态估计新工作:仅靠本体感知、巧用接触事件提升策略性能 — chris_j_paxton · 2026-11-20