分数阶热核框架缓解半监督图学习过平滑

Farid Bozorgnia 等研究者提出一种源驱动的分数阶热核框架，用于半监督图学习。该框架通过固定非零标签源，防止长扩散时间下结果坍缩到拉普拉斯零空间，以缓解过平滑。 在 Two-Moon 数据集上，每类仅用 1 个训练标签、分数阶为 0.8 和 1 时，兼容源驱动扩散的平均准确率超过 96%；在 Cora 和 CiteSeer 上，每类 1 个标签时该流程比 GAT 平均准确率分别提升 9.2 和 8.0 个百分点。

AI 根据报道生成 · 48 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。