Transferable Graph Metanetworks：可跨网络尺寸迁移的图元网络

研究者提出 Transferable Graph Metanetworks，通过在图元网络中引入函数表示不变性与连续性，实现了对不同宽度输入神经网络的跨尺寸泛化。该方法在采用最大更新参数化（$\mu$P）训练的输入网络上表现最优，在高达 42x 训练宽度下仍保持鲁棒。理论上，团队基于无限宽极限理论证明了其泛化保证，并阐明了其他参数化失效的原因。