可迁移图元网络（Transferable Graph Metanetworks）

提出可迁移图元网络，通过不变性与连续性原则使性能跨不同宽度网络可迁移。在最大更新参数化（μP）训练的输入网络上表现最强，鲁棒性达训练宽度的 42 倍，并用无限宽极限理论解释了泛化保证与失败原因。