热点事件持续更新
图元网络跨宽度可迁移研究进展
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
2026年10月3日，arXiv cs.LG 分类发布一项研究，提出 Transferable Graph Metanetworks（可迁移图元网络）。该工作通过一组修改，使图元网络能够在不同宽度的输入网络之间实现性能迁移，并在每项任务上显著提升尺寸泛化能力。报道称，该方法在 μP 参数化训练的输入网络上表现最强，可稳健泛化至训练宽度的 42 倍。理论部分利用无限宽度极限理论，证明了 μP 输入下的尺寸泛化保证，并解释了其他参数化方式下失效的原因。目前该研究以预印本形式公开，尚无后续实验或应用报道。
AI 根据报道生成 · 2 小时前更新
最新进展10月3日 12:00
研究者提出可迁移图元网络，在 μP 输入下可泛化至训练宽度的 42 倍。报道时间线
沿着报道，了解事件的不同侧面。
10月3日
- arXiv：cs.LG（机器学习，全量分类）Transferable Graph Metanetworks：跨宽度可迁移的图元网络
研究者提出 Transferable Graph Metanetworks，通过一组修改让图元网络在不同宽度输入网络间实现性能迁移，在每项任务上显著提升尺寸泛化能力。在 μP 参数化训练的输入网络上表现最强，可稳健泛化至训练宽度的 42 倍。理论部分用无限宽度极限理论证明了 μP 输入下的尺寸泛化保证，并解释了其他参数化下失效的原因。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。