Neuste Artikel für Graph Neural Networks

Ein Blick auf ReLU-Netzwerke und ihre Rolle in der künstlichen Intelligenz.

KI-Techniken verändern, wie Forscher an Herausforderungen der Universellen Algebra herangehen.

Diese Studie zeigt, wie gerichtete Kanten die Leistung von GNNs verbessern, besonders in heterophilen Graphen.

Diese Forschung verbessert die Knotenklassifikation durch Label-Nichtuniformität in grafischen neuronalen Netzwerken.

Graph-Neuronale Netzwerke verbessern die Geschwindigkeit und Genauigkeit der Zustandsbestimmung in Stromnetzen.

Kombination aus traditionellen Methoden und Machine Learning, um städtische Verkehrsnetze zu verbessern.

Ein neues Framework verbessert die Leistung bei der Verarbeitung von Graphdaten.

Grad-Align+ verbessert die Netzwerk-Ausrichtung, ohne zusätzliche Informationen zu benötigen.

Gelato bietet eine einfachere, effektive Methode zur Vorhersage von Links in Netzwerken.

Neue Methode verbessert das Aufmerksamkeitslernen in Graphmodellen mit kausalem Denken.

Die Verbesserung der Slum-Infrastruktur mit KI, um die Zugänglichkeit zu erhöhen und die Kosten zu senken.

DEGREE verbessert die Erklärbarkeit von Graph Neural Networks und macht sie transparenter.

Das MCGLPPI-Framework kombiniert CG-Modellierung und maschinelles Lernen, um Proteininteraktionen effizient vorherzusagen.

Ein neues Modell verbessert die semi-supervised Klassifikation in GNNs durch optimierte, knotenweise Diffusion.

Graph U-Net verbessert die EIT-Bildgebung durch mehr Genauigkeit und Geschwindigkeit.

Eine neue Methode zur Verbesserung von Graph Neural Networks mit Framelets und p-Laplace.

Eine Methode, um aus der gesamten Struktur von relationalen Datenbanken zu lernen und die Datenrepräsentation zu verbessern.

Erkunde die Grundlagen und Anwendungen von Deep Learning und seiner geometrischen Variante.

In diesem Artikel wird besprochen, wie GNNs die Vorhersagen des Luftstroms über Tragflächen verbessern.

Neuer Simulator sagt das Verhalten von granularen Strömungen mit Graph Neural Networks voraus.

Wir untersuchen, wie Erklärungen das Verständnis von Graph-Neuronalen-Netzwerken verbessern.

Union Subgraph Neural Networks verbessern die Graph-Analyse, indem sie lokale Strukturen erfassen.

Ein neuer Ansatz verbessert die Effizienz des GNN-Trainings auf grossen Graphen mit fortschrittlichen Techniken.

DeepGate2 verbessert die Schaltkreisdarstellung für eine effiziente elektronische Designautomatisierung.

GNNs nutzen, um die Geometrie von plumbed 3-Mannigfaltigkeiten zu analysieren.

Eine Studie über die Verzerrung der Labelposition in GNNs und ihren Einfluss auf die Leistung.

Neue Ansätze zielen darauf ab, die GCN-Leistung und Generalisierung zu verbessern.

Hier ist DrugChat, ein System, das die Arzneimittelentdeckung durch interaktive Fragen und Datenanalyse verbessert.

Ein neuer Ansatz nutzt Graph-Neuronale-Netzwerke für bessere Benutzerpaarung in drahtlosen Systemen.

Ein neues Modell verbessert die Vorhersagen zur Ausbreitung von COVID-19 in Neuseeland.

Ein neues Modell verbessert die Genauigkeit bei der Vorhersage von Verkehrsbedingungen.

Graphumformung mit GNNs für dynamische Datenanalyse kombinieren.

Ein neuer Ansatz verbessert die Forschung zu Gehirnnetzwerken mit Graph Neural Networks.

Ein neues Modell verbessert die GNN-Leistung mit unvollständigen Graphdaten.

Ein neues Framework verbessert die Erkennung von Cyber-Angriffswegen.

Neue Techniken verbessern die Effizienz und Ausdruckskraft in der Graphanalyse.

Untersuchen von Umleitungsmethoden zur Verbesserung der Leistung von Graphneuronnetzwerken und zur Bewältigung wichtiger Herausforderungen.

Ein neuer Ansatz zur Verbesserung der Sicherheit in militärischen Funknetzwerken.

Dieser Artikel untersucht Attributinferenzangriffe auf GNNs und deren Auswirkungen auf die Privatsphäre.

Ein Blick auf die Wichtigkeit von Erklärbarkeit in GNNs.