arXiv ID:
2604.24293
arXiv 提交日期: 2026-04-27
滞后图神经网络常微分方程:通过连续相变建模耦合的拓扑-特征演化 / Latent-Hysteresis Graph ODEs: Modeling Coupled Topology-Feature Evolution via Continuous Phase Transitions
1️⃣ 一句话总结
本文提出一种新型图神经网络模型(HGODE),通过引入可学习的双稳态门控机制和潜在拓扑力,解决了传统图ODE模型长期演化中所有节点特征趋于一致的“信息泄漏”问题,使图的连接结构与节点特征能够协同演化,并保持可微性以支持端到端学习。