https://blog.qife122.com/tags/%E6%AD%A3%E4%BA%A4%E5%9F%BA/ Recent content in 正交基 on 办公AI智能小助手 Hugo zh-cn qife Thu, 11 Sep 2025 03:44:35 +0800 https://blog.qife122.com/p/%E6%AD%A3%E4%BA%A4%E5%9F%BA%E6%8F%90%E5%8D%87%E7%AD%89%E5%8F%98%E5%9B%BE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E8%A1%A8%E8%BE%BE%E8%83%BD%E5%8A%9B/ Thu, 11 Sep 2025 03:44:35 +0800 https://blog.qife122.com/p/%E6%AD%A3%E4%BA%A4%E5%9F%BA%E6%8F%90%E5%8D%87%E7%AD%89%E5%8F%98%E5%9B%BE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E8%A1%A8%E8%BE%BE%E8%83%BD%E5%8A%9B/ <h1 id="正交基提升等变图神经网络表达能力">正交基提升等变图神经网络表达能力</h1> <h2 id="摘要">摘要</h2> <p>图神经网络（GNN）模型已广泛应用于图结构数据学习。由于图学习任务需满足置换不变性要求，不变和等变线性层成为图神经网络的基本组件。先前研究（某机构等，2019b）提出了最大规模的不变与等变线性层集合，并开发了称为k-IGN的简单深度学习模型处理定义在k元节点组上的图数据。研究表明k-IGN在图表同构测试中的表达能力至少与k-Weisfeiler-Leman（WL）算法相当。然而不变层和等变层的维度分别达到第k个和第2k个贝尔数，这种高复杂度使得k≥3的k-IGN模型在计算上不可行。</p>