图极限变分问题的隐式神经表示框架

2026年10月26日，arXiv Artificial Intelligence 刊出 Taeyoung Kim 等作者的论文，提出一种用于图极限（graphon）变分问题的神经探索框架。图极限被定义为 [0,1]^2 到 [0,1] 的对称可测函数，是稠密图序列的极限。该框架用隐式神经网络表示图极限，并通过梯度下降优化图极限目标；方法上结合多尺度正弦残差架构、以隐式微分求解的密度约束，以及对称感知的蒙特卡洛估计器。报道未提及该框架的适用对象范围、收费或额度、地域限制及发布时间以外的其他限制。目前事件进展仅止于该论文的公开发布，尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。