UiT The Arctic University of Norway

当传感器故障沿图边成片扩散、观测值传播失效时，PEMix改用图的全局结构表示来条件化缺失特征的分布，在TADPOLE上把宏F1曲线面积从0.7469提到0.8243。

当传感器故障沿图边成片扩散、观测值传播失效时，PEMix改用图的全局结构表示来条件化缺失特征的分布，在TADPOLE上把宏F1曲线面积从0.7469提到0.8243。

作者提出 Polytopal Neural Network（PNN），在训练中把每层隐表示约束为学习到的原型（archetype）的凸组合，使解释坐标同时就是下一层接收的坐标；在图像分类与重建基准上，PNN 以很小的精度损失逼近无约束网络，在无监督重建中优于 VQ-VAE 与 Dirichlet VAE，并给出无需 EMA、承诺损失或直通估计器的 VQ 训练路径。

作者提出 Polytopal Neural Network（PNN），在训练中把每层隐表示约束为学习到的原型（archetype）的凸组合，使解释坐标同时就是下一层接收的坐标；在图像分类与重建基准上，PNN 以很小的精度损失逼近无约束网络，在无监督重建中优于 VQ-VAE 与 Dirichlet VAE，并给出无需 EMA、承诺损失或直通估计器的 VQ 训练路径。

该工作为节点分类中的认知不确定性提出首个统计框架，包含信息增长实验协议与一致性判据，并借助投影图数据生成过程保证嵌套图来自同一过程；分析表明图证据深度学习（EDL）方法在总体最优处保留非消失的认知不确定性、且其认知与偶然不确定性由超参数外部调节，从而不满足一致性，而图自助集成（GB-Ens）通过图重采样与随机训练同时刻画数据与过程不确定性，在相同协议下表现出超越标准深度集成的认知不确定性收缩。

该工作为节点分类中的认知不确定性提出首个统计框架，包含信息增长实验协议与一致性判据，并借助投影图数据生成过程保证嵌套图来自同一过程；分析表明图证据深度学习（EDL）方法在总体最优处保留非消失的认知不确定性、且其认知与偶然不确定性由超参数外部调节，从而不满足一致性，而图自助集成（GB-Ens）通过图重采样与随机训练同时刻画数据与过程不确定性，在相同协议下表现出超越标准深度集成的认知不确定性收缩。