Neuste Artikel für Graph Neural Networks

Erforschen, wie Transformer verschiedene Aufgaben im Bereich des Graphenverständnisses effektiv angehen.

MAGE vorstellen: ein innovativer Ansatz, um Graph Neural Networks in der Chemie zu erklären.

Neues Framework verbessert Vorhersagen, indem es vernetzte Datenserien analysiert.

Ein neuer Ansatz verbessert Empfehlungssysteme mit Text und Bildern.

Eine neue Methode verbessert die Kommunikation in der Verarbeitung von Grafikdaten.

Ein neues Framework kombiniert GNNs und LLMs für bessere Antworten aus Wissensgraphen.

Wir stellen GEM vor, eine schnelle und präzise Lösung für Maxwells Gleichungen mit Hilfe von Graph-Neuronalen-Netzen.

Dieser Ansatz verbessert den Funktionsvergleich in Software durch Call-Graphlets.

GNAN kombiniert Interpretierbarkeit und Genauigkeit für graphbasierte KI-Modelle.

Ein neuer Ansatz, um GNNs gegen Rauschen und Angriffe zu pushen.

HOGE verbessert die Erklärungen von Graph Neural Networks mit Zellkomplexen.

Ein neuer Ansatz, um Transformer mit Graphstrukturen zu kombinieren, um bessere Ergebnisse zu erzielen.

Strategien erkunden, um Graph Neural Networks zu verbessern und Herausforderungen durch Oversmoothing anzugehen.

Diese Forschung konzentriert sich darauf, GNNs mit selbstüberwachtem Lernen und Merkmalsanpassung zu verbessern.

Neue Methode verbessert Vorhersagen für Lungenkrebspatienten, die ein Rückfallrisiko haben.

Graph-neuronale Netze beschleunigen Sicherheitsbewertungen in Stromsystemen.

Wir stellen GENIE vor, ein Wasserzeichenverfahren zum Schutz von Graph-Neuronalen-Netzen gegen Diebstahl.

Diese Studie führt GNNs ein, um das Online-Matching auf verschiedenen digitalen Plattformen zu verbessern.

Ein neuer Ansatz verbessert die Erkennung von Sicherheitsanfälligkeiten in Software durch den Einsatz fortschrittlicher Modelle.

Eine neue Methode zur Verbesserung der Genauigkeit von Mobilfunksignal-Karten mit fortschrittlicher Technologie.

Neue Methode deckt Schwachstellen in GNN-Erklärungsmethoden auf.

Neues Modell verbessert Simulationen von physikalischen Systemen mit Hilfe von maschinellen Lerntechniken.

Neue GNN-Architektur verbessert Vorhersagen durch eine gesteigerte Ausdruckskraft und Fragmentintegration.

Analyse der Auswirkungen erneuerbarer Energien auf die Stabilität des Stromnetzes mithilfe von Machine-Learning-Techniken.

Kombinieren von Ansätzen, um Vorhersagen über Substanzinteraktionen zu verbessern.

Ein neues Modell bietet bessere Klarheit und Effizienz beim Schliessen von Lücken im Wissensgraph.

Wir stellen ein schnelles und effizientes System vor, um CAD-Teile mit Hilfe von graphbasierten neuronalen Netzwerken abzurufen.

Eine neue Massnahme, GGD, verbessert, wie wir Ähnlichkeiten und Unterschiede in Grafiken bewerten.

P3GNN verbessert die APT-Erkennung und schützt gleichzeitig die Datenprivatsphäre in SDN-Netzwerken.

Die Erklärung von GNN-Entscheidungen mit Aktivierungsregeln verbessert das Vertrauen und das Verständnis.

Ein neues Dual-Transformator-Modell verbessert die Vorhersagen für die Ausführungszeit aus der Quellcodeanalyse.

Eine neuartige Methode verbessert das Teilen von Daten für ein effizientes GNN-Training.

Neue Modelle verbessern die Genauigkeit bei der Vorhersage der städtischen Flächennutzung und optimieren die Planung.

CoDreamer verbessert die Zusammenarbeit zwischen Agenten in dynamischen Umgebungen.

AMBER nutzt maschinelles Lernen, um die Mesh-Generierung für technische Simulationen zu automatisieren.

Ein neues Framework bewertet Methoden zur Graphenkondensation für verbesserte Effizienz im maschinellen Lernen.

Eine neue Technik verbessert die Leistung von Graph-Neuronalen-Netzen bei grossen Datensätzen.

Graph Neural Networks verbessern die histopathologische Bildanalyse und helfen, Krankheiten besser zu diagnostizieren.

Graphcodes verbessern die topologische Datenanalyse für bessere Einblicke in komplexe Datensätze.

Wie kontrafaktische Erklärungen die Vorhersage molekularer Verhaltensweisen unterstützen und welche Auswirkungen das hat.