arXiv · cs.AI· Jialin Liu·· 10 天前精选
Multi-Attributor GNNs：超越唯一平衡点的集合值表达能力
Multi-Attractor GNNs: Set-Valued Expressivity Beyond Unique Equilibria
arXiv:2609.35274v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Jialin Liu
首次提交：2026-09-28 22:29
研究任务与主要进展
论文提出多吸引子图神经网络，通过让不同初始化分别接近不同有效解，表达具有多个平衡点的集合值映射。摘要称，在所述正则性假设下，置换等变动力学能以正概率到达每个解分支，并可由连续分量映射的消息传递近似实现；无需解标签、基于问题能量的学习方式在Ising基态、蛋白质图结构模块检测和化学反应稳态任务中产生多个高质量预测，平均解质量优于所测试的唯一平衡点、单目标和前馈基线，并与更大的扩散求解器保持竞争力。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
本站判断
该方法针对多解问题中固定点单一或单目标训练造成的任意选择约束，提出用多吸引子动力学让不同初始化到达不同有效解。基于摘要，在正则性假设下，方法可构造置换等变且全局Lipschitz的动力系统，并以正概率覆盖各解分支；其在三个任务上的结果优于测试的唯一平衡点、单目标及前馈基线，但实验规模、误差口径和代码可用性未说明。
来源：arXiv · cs.AI · arxiv.org