arXiv发布ExpectileGCN论文

2026年10月27日，研究者Tianyi Zhu和Wei Lan在arXiv的cs.lg领域发布论文《Graph Representation Learning via Adaptive Expectile Aggregation》。该文提出ExpectileGCN，一种通过引入可学习分位数（expectile）层级改进图神经网络邻域聚合的自适应框架。 该算子在最小值与最大值行为间连续调整聚合方式，以均值聚合为特例，并通过基于Sigmoid平滑和不动点迭代的可微近似实现端到端优化。理论分析表明，在异质图且信息丰富邻域下，分位数聚合能利用类相关的尺度差异，相比均值聚合取得分类优势。

AI 根据报道生成 · 59 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。