Últimos artículos para GNNs

Graphtester ayuda a los investigadores a evaluar el rendimiento de las Redes Neuronales Graph en diferentes conjuntos de datos.

Las Redes Neuronales de Grafos transforman la forma en que analizamos datos de series temporales para hacer mejores predicciones.

Un nuevo método que utiliza Redes Neuronales Gráficas mejora el análisis de Números Romanos para música.

Un nuevo método para aclarar cómo los GNNs hacen predicciones a través de lógica modal.

MoMS-Net mejora la predicción de espectros de masas, aumentando la precisión en la identificación molecular.

Explora cómo los gráficos dinámicos capturan la naturaleza cambiante de las relaciones.

GPSE mejora el rendimiento del modelo gráfico a través de codificaciones mejoradas y transferencia de conocimiento.

Fiora mejora las predicciones de espectros de masas en metabolómica, ayudando a identificar compuestos.

gSAM mejora los GNNs para mejores recomendaciones de artículos y generalización.

Un nuevo método mejora el análisis de datos de fMRI para condiciones neurológicas.

Este estudio se centra en mejorar las GNNs para superar los desafíos de los datos de entrenamiento sesgados.

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.