热点事件持续更新
学者提出循环GNN与LFS方法以提升图规模泛化能力
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
2026年10月20日，arXiv机器学习领域发表的一项研究针对图规模扩大所需计算超出训练深度的问题，提出了参数共享的循环图神经网络（looped GNN）。该架构通过预训练学习局部更新规则，并在大图上重复应用该处理器以扩展信息范围。同时，研究还推出了Loop-Freeze-Steer（LFS）方法，通过冻结预训练处理器并仅训练微型控制器进行引导。实验结果表明，该方法在合成任务和芯片布局实验中，以远少于全量微调的参数量实现了更优的图规模泛化平衡。
AI 根据报道生成 · 5 小时前更新
最新进展10月20日 12:00
研究提出循环GNN架构及LFS方法，在芯片布局等实验中以更少参数实现更优规模泛化。报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv 机器学习超越固定深度的循环图神经网络：图规模泛化与参数高效适配
针对图规模扩大所需计算超出训练深度的问题，研究提出了参数共享的循环图神经网络（looped GNN），通过预训练学习局部更新规则，并在大图上重复应用该处理器以扩展信息范围。研究还推出了 Loop-Freeze-Steer（LFS）方法，通过冻结预训练处理器并仅训练微型控制器进行引导，在合成任务和芯片布局实验中以远少于全量微调的参数实现了更优的规模泛化平衡。
本事件热度走势
当前热度 9·可比范围峰值 10（10月20日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。