Derniers articles pour Réseaux de neurones graphiques

Explorer comment les transformers s'attaquent efficacement à divers tâches de raisonnement sur les graphes.

Présentation de MAGE : une approche innovante pour expliquer les Graph Neural Networks en chimie.

Nouveau cadre améliore les prédictions en analysant des séries de données interconnectées.

Une nouvelle approche améliore les systèmes de recommandation en utilisant du texte et des images.

Une nouvelle méthode améliore la communication dans le traitement des données graphiques.

Un nouveau cadre combine les GNN et les LLM pour des réponses améliorées à partir des graphes de connaissances.

Présentation de GEM, une solution rapide et précise pour les équations de Maxwell utilisant des réseaux de neurones graphiques.

Cette approche améliore la comparaison de fonctions dans les logiciels grâce à des graphes d'appels.

GNAN combine l'interprétabilité et la précision pour des modèles d'IA basés sur des graphes.

Une nouvelle approche pour renforcer les GNN face au bruit et aux attaques.

HOGE améliore les explications des Réseaux de Neurones Graphiques en utilisant des complexes cellulaires.

Une approche novatrice pour intégrer des transformateurs avec des structures de graphes pour de meilleurs résultats.

Explorer des stratégies pour améliorer les réseaux de neurones graphiques et s'attaquer aux défis de l'oversmoothing.

Cette recherche se concentre sur l'amélioration des GNNs en utilisant l'apprentissage auto-supervisé et l'alignement des caractéristiques.

Une nouvelle méthode améliore les prédictions pour les patients atteints de cancer du poumon confrontés à un risque de rechute.

Les réseaux de neurones graphiques accélèrent les évaluations de sécurité dans les systèmes électriques.

Voici GENIE, une méthode de filigrane pour protéger les réseaux de neurones graphiques contre le vol.

Cette étude introduit les GNN pour améliorer le matching en ligne sur différentes plateformes numériques.

Une nouvelle approche améliore la détection des vulnérabilités de sécurité logicielle en utilisant des modèles avancés.

Une nouvelle méthode pour améliorer la précision de la cartographie des signaux mobiles en utilisant une technologie avancée.

Une nouvelle méthode révèle des vulnérabilités dans les méthodes d'explication des GNN.

Un nouveau modèle améliore les simulations de systèmes physiques en utilisant des techniques d'apprentissage automatique.

Une nouvelle architecture GNN améliore les prédictions grâce à une expressivité renforcée et une intégration des fragments.

Analyser les impacts des énergies renouvelables sur la stabilité du réseau électrique en utilisant des techniques d'apprentissage machine.

Combiner des approches pour améliorer les prédictions des interactions entre substances.

Un nouveau modèle offre une meilleure clarté et efficacité pour combler les lacunes des graphes de connaissances.

Présentation d'un système rapide et efficace pour récupérer des pièces CAO en utilisant des réseaux de neurones graphiques.

Une nouvelle mesure, GGD, améliore comment on évalue les similitudes et les différences dans les graphiques.

P3GNN améliore la détection des APT tout en protégeant la confidentialité des données dans les réseaux SDN.

Expliquer les décisions des GNN avec des règles d’activation aide à renforcer la confiance et la compréhension.

Un nouveau modèle à double transformateur améliore les prévisions de temps d'exécution à partir de l'analyse du code source.

Une nouvelle méthode améliore le partage de données pour un entraînement efficace des GNN.

De nouveaux modèles améliorent la précision des prévisions d'utilisation des terres urbaines et améliorent la planification.

CoDreamer améliore la coopération entre les agents dans des environnements dynamiques.

AMBER utilise l'apprentissage automatique pour automatiser la génération de maillage pour les simulations d'ingénierie.

Un nouveau cadre évalue les méthodes de condensation de graphes pour améliorer l'efficacité de l'apprentissage machine.

Une nouvelle technique améliore les performances des réseaux de neurones graphiques sur de grands ensembles de données.

Les réseaux de neurones graphiques améliorent l'analyse des images histopathologiques, ce qui booste le diagnostic des maladies.

Les graphcodes améliorent l'analyse topologique des données pour avoir de meilleures idées sur des ensembles de données complexes.

Comment les explications contrefactuelles aident à prédire le comportement moléculaire et ses implications.