Neuste Artikel für Graph Neural Networks

Graph-neuronale Netzwerke verbessern die Genauigkeit der Sprechererkennung, indem sie die Beziehungen zwischen Sprachproben analysieren.

FedGKD verbessert das föderierte Lernen für Graphen-Neuronale-Netzwerke, indem es die Merkmalsextraktion für Aufgaben optimiert.

MOGAN verbessert das Verständnis von Robotern für Interaktionen mit mehreren Objekten, damit sie besser damit umgehen können.

Eine neue Methode verbessert Vorhersagen mit einem hierarchischen Grammatiksystem.

COLA kombiniert kontrastives und meta Lernen für bessere Knotenkategorisierung in Szenarien mit begrenzten Daten.

Maschinenlernen verbessert die Suche nach neuen Materialien und optimiert Vorhersagen zur Stabilität.

STMask verbessert die Analyse der Genexpression durch fortschrittliche räumliche Clusterungsmethoden.

Maschinelles Lernen verwandelt die Ereignisrekonstruktion in der Teilchenphysik und verbessert Genauigkeit und Effizienz.

Dieser Artikel stellt eine neue Methode vor, um Wortembedding mit probabilistischen Modellen zu verbessern.

Diese Studie zeigt, wie effektiv GNNs bei der Analyse von versteiften Panels sind.

Graph-neuronale Netzwerke nutzen, um die chirurgische Leistung objektiv zu bewerten.

Ein neues Framework kombiniert CodeBERT und GNNs für eine bessere Schwachstellenerkennung in Software.

Diese Methode verbessert Vorhersagen, indem sie beschriftete und unbeschriftete Daten durch latente Graphen kombiniert.

Ein neuartiger Ansatz zur Verbesserung der Erkennung von Finanzbetrug mithilfe von Quanten-Graph-Neuronalen Netzwerken.

Roboter lernen, Objekte mit weniger Beispielen und besserer Interaktionsvorhersage zu verstauen.

DREAM verbessert, wie Roboter Aufgaben und Energie in schwierigen Umgebungen managen.

Ein neues Modell verbessert das Verständnis von Knotenähnlichkeiten in GNNs durch Transitivität.

Einführung von SAR-GNN: Eine neue Methode für effektive Graphklassifikation.

Forscher nutzen Graph-Neuronale Netzwerke, um die Krankheitsaktivität von MS besser vorherzusagen.

Ein neuer Ansatz liefert klare Erklärungen für die Klassifizierung von Grafiken.

Ein neues System verbessert die GNN-Leistung bei grossen Graphdatenmengen.

Deep-Learning-Techniken verbessern die Überwachung und Optimierung in elektrischen Energiesystemen.

Eine probabilistische Methode zur Bewertung von GNN-Erklärungen für mehr Zuverlässigkeit.

Studie zeigt Risiken von Backdoor-Angriffen bei GNN-Linkvorhersageaufgaben.

Eine Methode zur Verbesserung des Verständnisses und der Sicherheit von Graph-Neuronalen Netzwerken.

Dieses Papier untersucht, wie GNNs die Verteidigung gegen Cyberangriffe während ihres Lebenszyklus verbessern.

Neue Methoden verbessern die Vorhersage der Adsorptionsenergie für Katalysatoren mithilfe von maschinellem Lernen.

Maschinenlernen verbessert die Vorhersagen von Halbleiterfehlern für eine bessere Materialleistung.

Ein neues Framework verbessert die Genauigkeit bei der Knotenklassifizierung mit begrenzten gelabelten Daten.

Ein neues Modell, das das Graph-Lernen verbessert, indem es sich auf Knotenpaare konzentriert.

Ein neues Modell geht Herausforderungen in graphbasierten neuronalen Netzwerken mit Hilfe von Potenzreihen an.

Die Komplexitäten und Strategien für das Lernen von neuronalen Netzen bei verschiedenen Datentypen untersuchen.

Ein neues Framework verbessert GNNs, um Probleme mit Oversmoothing effektiv anzugehen.

DeepRicci verbessert Grapheneuronale Netzwerke, indem es die Struktur und die Knotenmerkmale optimiert.

Fortschritte im Deep Learning verbessern die Genauigkeit von Pandemievorhersagen durch verschiedene Modellierungsansätze.

Ein neuer Ansatz nutzt Graph-Neuronale Netzwerke für bessere Anomalieerkennung.

Eine neue Methode zur Erklärung von Graph Neural Networks verbessert die Transparenz und das Vertrauen.

Ein neues Framework zielt darauf ab, Gerechtigkeit in den Vorhersagen von GNNs zu gewährleisten.

Diese Studie untersucht, wie Kausalität die Klassifizierungsaufgaben von Graph Neural Networks verbessert.

Graph Multi-Similarity Learning verbessert die Arzneimittelforschung durch flexible molekulare Beziehungen.