精选理由
这篇论文从理论上分析了图信号生成流模型的结构扰动稳定性，还给了个实用的正则化训练方法，在fMRI等真实数据上验证有效。
本文分析了由GNN参数化的连续归一化流模型在图信号生成中的稳定性。作者证明排列等变性在连续时间ODE及其数值近似中均保持。推导了显式的稳定性界限，量化图结构扰动对生成信号分布的影响。基于理论界限引入正则化流匹配策略，在训练中惩罚向量场的空间Lipschitz常数。在随机块模型合成信号和真实fMRI脑连接体信号上的实验表明，该方法对结构噪声更鲁棒且不牺牲输出质量。
AI 翻译 · 中文
本文分析了由GNN参数化的连续归一化流模型在图信号生成中的稳定性。作者证明排列等变性在连续时间ODE及其数值近似中均保持。推导了显式的稳定性界限，量化图结构扰动对生成信号分布的影响。基于理论界限引入正则化流匹配策略，在训练中惩罚向量场的空间Lipschitz常数。在随机块模型合成信号和真实fMRI脑连接体信号上的实验表明，该方法对结构噪声更鲁棒且不牺牲输出质量。
Generating signals on graphs requires permutation-equivariant models that exhibit stability with respect to relative structural perturbations. While favorable stability properties of Graph Neural Networks (GNNs) have bee…