Neuste Artikel für Graph Neural Networks

Vorstellung des Directional Graph Attention Networks zur Verbesserung des Node-Lernens in komplexen Graphen.

Ein neues Framework verbessert das Graph-Vortraining, indem es Aufgaben effektiv auswählt und gewichtet.

Eine neue Methode nutzt maschinelles Lernen, um Fehler in MPI-Programmen effektiv zu erkennen.

Roboter können besser navigieren, indem sie aktiv Informationen über ihre Umgebung suchen.

Ein neues Modell zielt effizient auf Knoten in GNNs ab, mit minimalen Änderungen.

Eine neue Methode verbessert die Molekül-Untertitelübersetzung mit Hilfe von grossen Sprachmodellen.

K-Link verbessert die MTS-Datenanalyse durch ein besseres Verständnis der Sensorinteraktion.

Ein neues Framework verbessert die Artikelvorschläge, indem es sozialen Einfluss und Nutzerpräferenzen ausbalanciert.

AnisoGNN nutzt KI, um die Eigenschaften von polykristallinen Materialien mit weniger Daten vorherzusagen.

Eine schnelle und effiziente Methode zur Graphverarbeitung ohne komplexe Modelle.

Diese Studie untersucht, wie das Bewusstsein für Topologie die Leistung und Fairness von Graph Neural Networks beeinflusst.

Eine neue Methode verbessert GNNs, indem sie die Erkennung von Graphstrukturen optimiert.

Erforschung von Graphenhomomorphismen, um die Generalisierungsfähigkeiten von GNNs zu verbessern.

Verstehen, wie Graph Neural Networks komplexe Beziehungen in Daten modellieren.

Eine neue Methode verbessert die Leistung von GNNs, indem sie Erklärungs-Subgraphen nutzt.

Eine Methode, um den Einfluss der Entfernung von Nutzern auf die Meinungen im Netzwerk zu bewerten.

Eine Studie zeigt Faktoren, die die Leistung von einlagigen GCNs bei verschiedenen Datenmodellen beeinflussen.

Eine neue Methode, um das Training von Modellen mit verrauschten Graphdaten zu verbessern.

Eine neue Methode verbessert die Lernfähigkeiten von Graph-Neuronalen Netzen.

E-SHARC verbessert die Sprecheridentifikation in verschiedenen Audio-Umgebungen.

Eine neue Methode verbessert Simulationen der Fluiddynamik mit Hilfe von neuronalen Netzwerken.

Neue Modelle für eine bessere Analyse von Grafikdaten erkunden.

Untersuchen der Rolle von Deep Learning in der medizinischen Bildanalyse und den Bedrohungen durch gegnerische Angriffe.

Innovative Methoden verbessern 3D-Gesichtsausdrücke für realistische digitale Charaktere.

Ein neues Protokoll verbessert die Trainingseffizienz von Graph Neural Networks mit CPU und GPU.

CANOS sagt schnell nahezu optimale Leistungsflusslösungen für komplexe Stromnetze voraus.

Eine neue Methode verbessert Empfehlungen mit anpassungsfähigen Embeddings und effizientem Ressourcenmanagement.

Eine neue KI-Methode verbessert die Planung in unsicheren Aufgabenumgebungen.

Die Forschung untersucht, wie die Netzwerkstruktur mit Stabilität zusammenhängt, und zwar mit fortschrittlichen Methoden.

Untersuchung von GNNs zur Klassifizierung von Teilchenkollisionsevents.

Ein neues Modell verwandelt Retrosynthese-Prognosen mithilfe von Graph-Neuronalen-Netzen.

Eine neue Methode, DepGraph, verbessert die Genauigkeit bei der Erkennung von Softwarefehlern.

Wir stellen Smart vor, eine Methode für bessere GNN-Leistung in sich verändernden Graphen.

Deep Learning einsetzen, um die Effizienz des öffentlichen Verkehrs zu verbessern und Kosten zu senken.

Eine neue Methode verbessert die GNSS-Standortgenauigkeit in Städten mit hohen Gebäuden.

Eine neue Methode, die Deep Learning nutzt, geht an das Problem von kaskadierenden Ausfällen in komplexen Netzwerken ran.

Ein neues Modell verbessert die Vorhersagen zur Leistung von Tensiden basierend auf der Temperatur.

Ein neuer Ansatz zur Schätzung von kausalen Effekten in sozialen Netzwerken.

Neue Methoden verbessern die Anomalieerkennung in Netzwerkeindringungserkennungssystemen.

Die Software-Sicherheit verbessern, indem man Schwachstellen erkennt, bevor sie ausgenutzt werden.