11:18
官方账号arXiv cs.LG@Nelson Aloysio Reis de Almeida Passos, Emanuele Carlini, Salvatore Trani
推荐理由：这篇 arXiv 论文把图神经网络和传统聚类算法掰开对比，结论很实在：没属性时谱聚类更靠谱，还给出了 GPU 加速的池化思路。
池化
共 1 条相关 AI 资讯
8月5日
11:18
该论文从原理、原语、池化三个视角分析时间图上的聚类问题，连接图学习与社区检测的谱理论基础。研究表明，在节点属性缺失或较弱时，基于谱聚类和多层模块度优化的传统算法仍是更合适的选择，主要瓶颈是可扩展性而非精度。当结构、时间与属性信号对齐时，图神经网络模型优势更明显。作者通过GPU加速的时间后端使谱聚类等原语具备可扩展性，并提出将社区检测作为时间图池化算子的路线。