研究提出GNN超参数迁移参数化并被LoG 2026接收

Gage DeZoort 与 Boris Hanin 开发并验证了图神经网络（GNN）的超参数迁移参数化方法，该研究已被第五届图学习会议（LoG 2026，PMLR 338）接收。方法使大模型可通过调优更小的代理模型获得近优超参数。 该方法覆盖 SGD、Adam 和 AdamW 三种优化器：SGD 下识别出依赖图结构的首层修正因子，Adam 下揭示了消息传递归一化对迁移行为的影响，AdamW 下实现权重衰减与学习率的联合迁移。研究者称，该参数化在宽度和深度增加时带来稳定的特征更新与性能提升。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。