在这节课中,我们将讨论GNN的可迁移性,也就是说能够在保证性能的情况下迁移机器学习模型。首先,我们深入研究了谱域和节点域的graphon滤波器的收敛性。稍后,我们将以生成模型的形式讨论graphon过滤器。我们将继续介绍graphon 神经网络(WNNs),这是解释为什么graphon 神经网络可以在从graphon 获得的确定性图之间转换的关键元素。我们最后证明GNN继承了图滤波器的可迁移性。
https://gnn.seas.upenn.edu/lectures/lecture-10/
专知便捷查看
便捷下载,请关注专知公众号(点击上方蓝色专知关注)
后台回复“可迁移性” 可以获取《宾大最新《图神经网络可迁移性》课程,附视频与课件(57页ppt))下载》专知下载链接索引