Shirui Pan

Un nouveau cadre améliore la détection des anomalies dans des ensembles de données de séries temporelles complexes.

Une nouvelle méthode détecte des anomalies dans les données de séries temporelles malgré les valeurs manquantes.

Ce papier parle du rôle des LLM dans l'analyse des séries temporelles.

Cet article parle des changements de distribution et des défis dans l'apprentissage des graphes.

Une nouvelle méthode pour peaufiner les modèles tout en garantissant la confidentialité des données.

Apprends comment les modèles de diffusion améliorent l'analyse des séries temporelles dans différents domaines.

Un aperçu de la NMF et de ses applications dans la simplification des données complexes.

Une nouvelle méthode améliore la suppression des données dans les modèles de graphes dynamiques tout en garantissant la confidentialité.

Une méthode qui personnalise la sparsification des graphes pour améliorer la performance des réseaux de neurones.

ARC offre une solution flexible pour détecter des anomalies dans différents ensembles de données graphiques.

Examine les défis et les solutions dans le watermarking des LLM pour éviter les abus.

Une nouvelle méthode améliore la génération de molécules pour prédire la réponse aux médicaments.

Une nouvelle perspective pour améliorer les GNNs pour des structures de graphes complexes.

Un nouveau cadre combine des modèles de langage et des graphes de connaissances pour des suggestions de produits plus claires.

Une nouvelle méthode améliore l'apprentissage à partir de graphes malgré le bruit des données.

Un aperçu de comment TTDS améliore les recommandations personnalisées avec des grands modèles de langage.

DA-MoE adapte les GNN pour des tailles de graphes variées, améliorant les performances sur des tâches diverses.