LTGA: Apprendimento dell'Indice di Tsallis per Edge nell'Attenzione dei Grafi

Un nuovo articolo di ricerca su arXiv (2608.02938) introduce LTGA (Learnable Tsallis Graph Attention), un livello di attenzione per grafi che apprende l'indice entropico di Tsallis q insieme ai pesi della rete. Ciò consente all'attenzione di interpolare tra distribuzioni a coda pesante (q<1), softmax (q=1) e a supporto compatto (q>1), rispondendo alla necessità di diverse forme di attenzione nei grafi omofili ed eterofili. Il metodo opera a quattro granularità, da uno scalare globale a un indice per-edge, con una riparametrizzazione limitata che inizializza i modelli al baseline GAT. Esperimenti su otto benchmark con dieci seed mostrano che LTGA-Edge raggiunge il miglior rango medio (2.75), sebbene il test omnibus non rifiuti l'ipotesi nulla (p=0.199). In particolare, l'apprendimento di q non supera una griglia congelata ottimizzata tramite validazione, che raggiunge il 61.4% di accuratezza, mentre l'alpha-entmax ottimizzato raggiunge il 62%.