Últimos artículos para GNNs

Nuevos métodos mejoran la velocidad y eficiencia en el análisis de datos de colisión de partículas.

Nuevo sistema de hardware mejora la velocidad y eficiencia de inferencia de GNN para aplicaciones en tiempo real.

Este artículo habla sobre métodos para mejorar la completación de grafos de conocimiento usando GNNs y enfoques basados en reglas.

Este método mejora la clasificación de imágenes médicas usando redes neuronales de grafos.

Este estudio usa GNNs para analizar datos de bicicletas compartidas y hacer mejores predicciones sobre los patrones de uso.

HQ-GNN mejora las recomendaciones mientras reduce la memoria y aumenta la velocidad.

Este estudio evalúa GNNs avanzadas para generar grafos moleculares de manera más efectiva.

Este estudio analiza modelos de aprendizaje profundo para predecir el número de visitantes en el turismo.

Un nuevo enfoque de GNN mejora la precisión al reducir el sobre-suavizado.

Explora cómo las GNN y los Grafos de Conocimiento mejoran las predicciones de enlaces en salud.

Un enfoque nuevo para clasificar artículos de investigación usando técnicas gráficas avanzadas.

Un nuevo método de evaluación mejora la comprensión de las predicciones de GNN.

Un nuevo modelo mejora las predicciones de densidad de electrones en la investigación de catálisis.

Un nuevo modelo aborda los desafíos en las redes neuronales de grafos usando series de potencias.

Un nuevo modelo convierte las recetas de cocina en gráficos para que sean más fáciles de entender.

Examinando los desafíos de equidad en GNNs en medio de cambios en las distribuciones de datos.

ARGO mejora la velocidad y eficiencia del entrenamiento de GNN en sistemas multicore.

RC-GNN mejora la interpretabilidad y la precisión predictiva de GNN a través de métodos innovadores.

Nuevo método mejora el descubrimiento de materiales cristalinos para la tecnología y la sostenibilidad.

BuffGraph mejora la clasificación para clases menos comunes en datos de grafos desbalanceados.

La Augmentación de Hiperbordes mejora las GNNs al capturar relaciones complejas en los datos.

PhenoLinker mejora la predicción de asociaciones genotipo-fenotipo usando técnicas avanzadas de IA.

Los Layouts de Edge Distribucionales mejoran el rendimiento de los GNN al muestrear estructuras de grafos diversas.

Examinando cómo las redes neuronales gráficas predicen datos no vistos de manera efectiva.

K-Link mejora el análisis de datos de MTS a través de una mejor comprensión de la interacción con los sensores.

Un método rápido y eficiente para procesar gráficos sin modelos complejos.

Una mirada a cómo las GNNs analizan gráficos y se adaptan a los cambios.

Un nuevo método mejora el rendimiento de las GNN aprovechando subgrafos de explicación.

Un método para evaluar el impacto de la eliminación de usuarios en las opiniones de la red.

Un nuevo método para mejorar el entrenamiento de modelos a partir de datos de gráficos ruidosos.

Presentando capas GNN innovadoras para analizar datos complejos en variedades.

Un nuevo método mejora las simulaciones de dinámica de fluidos usando redes neuronales.

PowerGraph mejora el análisis de fallos en la red eléctrica mediante técnicas avanzadas de aprendizaje.

La investigación investiga cómo la estructura de la red se relaciona con la estabilidad usando métodos avanzados.

Un nuevo método, DepGraph, mejora la precisión en la detección de bugs de software.

Un nuevo método acelera las comparaciones de árboles de fusión en el análisis de datos científicos.

Un nuevo modelo mejora las predicciones del rendimiento de los surfactantes según la temperatura.

Un nuevo enfoque usando redes neuronales gráficas para simulaciones de materiales multiescala eficientes.

Un nuevo enfoque usando RGCNs mejora la clasificación de sentimientos a partir de datos de texto.

Presentamos TrainlessGNN para etiquetar nodos más rápido en TAGs sin métodos de entrenamiento tradicionales.