图变换器中的距离错位训练与自适应图感知控制
机器学习
2026-04-27 v1 人工智能
摘要
图变换器能够进行全局信息混合，但这种灵活性也带来了故障模式：某些任务需要长程通信，而另一些任务则更适合局部交互。我们通过在情境随机块模型图上进行的合成节点分类基准来研究这一现象，标签由可控的局部与远程信号混合比例生成。我们定义距离错位训练为标签相关信息所在的位置与模型分配通信位置之间的不匹配。在该基准上，我们发现了三个结论：首先，偏好图距离偏差随任务局部性的系统性变化；其次，给定任务侧距离目标的 oracle 自适应控制器几乎在各个 regime 下都与固定偏差的最佳结果相当，并在混合和局部任务上显著优于中性基线；第三ly，任务无关的零间隙控制器较弱，这表明仅凭自适应性是不够的，控制目标本身至关重要。这些结果表明，距离解析诊断对理解图变换器故障以及设计图感知控制具有指导意义。
引用
@article{arxiv.2604.22413,
title = {Distance-Misaligned Training in Graph Transformers and Adaptive Graph-Aware Control},
author = {Qinhan Hou and Jing Tang},
journal= {arXiv preprint arXiv:2604.22413},
year = {2026}
}
备注
Accepted by Graph Signal Processing Workshop 2026 as an extended abstract