Ein Verfahren zur schichtübergreifenden Auswahl von Negativbeispielen, das die Redundanz zwischen den Schichten reduziert und die Leistung von Graphneuronalen Netzen verbessert.
Wir präsentieren ein neuartiges Invariantes Nachbarschaftsmuster-Lernverfahren (INPL), um die Verteilungsverschiebungen auf nicht-homophilen Graphen zu mildern. INPL lernt eine invariante Graphenrepräsentation, indem es die adaptive Nachbarschaftsinformation erfasst und die Verteilungsverschiebungen in unbekannten Testumgebungen abmildert.