图变体神经网络
机器学习
2026-03-25 v2
摘要
建模动态演化的时空信号是图神经网络（GNN）文献中的一个突出挑战。值得注意的是，GNN 假设存在潜在的图结构。虽然这种底层结构不一定存在或独立于信号从其他地方导出，但总是可以从多通道数据构建一个随时间演化的功能网络。图变体信号分析（GVSA）定义了一个统一框架，由一个网络张量组成，该张量包含瞬时连接剖面，其稳定支撑通常从信号本身构建。在 GVSA 和图信号处理工具的基础上，我们引入了图变体神经网络（GVNNs）：将时空信号与信号依赖的连接张量进行卷积的层，该张量结合了稳定的长期支撑与瞬时的数据驱动交互。这种设计在每个时间步捕获动态统计依赖关系，而无需使用任意的滑动窗口，并且具有与序列长度成线性复杂度的高效实现。在各种预测基准上，GVNNs 一致优于强大的基于图的基线，并与广泛使用的序列模型（如 LSTM 和 Transformer）具有竞争力。在 EEG 运动想象分类任务上，GVNNs 取得了优异的准确率，突显了其在脑机接口应用中的潜力。
引用
@article{arxiv.2509.20311,
title = {Graph Variate Neural Networks},
author = {Om Roy and Yashar Moshfeghi and Keith Smith},
journal= {arXiv preprint arXiv:2509.20311},
year = {2026}
}