arXiv 机器学习· Xiaomin Zhang, Boyue Wang, Junbin Gao, Yongli Hu anbd Baocai Yin·· 3 小时前AI 评分34
FTD-GNO：通过核函数张量分解实现内存高效的图神经算子
FTD-GNO: Memory-Efficient Graph Neural Operators through Functional Tensor Decomposition of the Kernel
AI 导读
研究人员提出 FTD-GNO 框架，通过将高维连续积分核解耦为低维模态函数，实现内存高效的图神经算子。该方法结合 CP、Tensor-Train 和 Tucker 等张量分解格式，无需显式实例化完整边级核张量即可重构积分算子，大幅降低了参数量与激活内存成本。实验表明，FTD-GNO 相比未分解基线具有更低的峰值内存与更短的训练时间，且具备良好的可扩展性。
来源：arXiv 机器学习 · arxiv.org