Derniers articles pour Réseaux de neurones graphiques

Une nouvelle méthode pour réduire le sur-lissage dans les transformeurs et les GNN.

Une nouvelle méthode améliore les performances du machine learning dans différents environnements de données.

Cette étude présente une nouvelle méthode pour augmenter des graphes en utilisant des compléments de Schur aléatoires.

De nouveaux modèles d'apprentissage automatique améliorent les prédictions en dynamique des fluides.

DASH propose une méthode rapide et précise pour attribuer des charges partielles dans les molécules.

Une nouvelle méthode améliore la façon dont les GNN expliquent leurs prédictions.

Des recherches montrent comment les GNN peuvent s'adapter à différentes tailles de graphes.

Des chercheurs ont développé un modèle pour mieux prédire les changements de stabilité des protéines à partir des mutations d'acides aminés.

Une méthode pour améliorer les MLP en utilisant des connaissances fiables des GNN.

Ce papier examine comment l'homophilie locale impacte la performance des réseaux de neurones graphiques.

Une nouvelle méthode améliore les résultats de classification de graphes en utilisant l'adaptation de domaine non supervisée.

Cette étude examine le rôle de l'IA dans la résolution des cycles hamiltoniens de manière plus efficace.

Une nouvelle approche souligne l'importance des relations dans l'analyse des données tabulaires.

Un nouveau cadre améliore la représentation des graphes en utilisant l'apprentissage auto-supervisé.

De nouvelles méthodes améliorent la détection et la classification des vulnérabilités logicielles.

Apprends comment les réseaux de neurones analysent les données structurées sous forme de graphes.

Un nouveau cadre pour générer des graphes en utilisant des représentations discrètes et des modèles de transformeurs.

Une nouvelle méthode améliore la modélisation des surfaces d'énergie potentielle dans les simulations atomistiques.

Un nouveau cadre améliore la précision des prévisions de demande, en s'attaquant efficacement aux problèmes de démarrage à froid.

Explorer comment les relations de localisation changent au cours de la journée pour mieux planifier.

Une nouvelle approche améliore la comparaison des protéines, aidant la recherche et la découverte de médicaments.

Une méthode pour améliorer la compréhension des réseaux de neurones graphiques.

Explore les concepts clés et les approches du parsing de dépendance pour le traitement du langage naturel.

Une nouvelle approche pour améliorer les Graph Neural Networks en utilisant des modèles en soupe.

Un aperçu des méthodes de prédiction de liens et de leurs applications dans divers domaines.

Évaluation des méthodes GSL pour améliorer l'apprentissage des données graphiques.

Une nouvelle méthode pour améliorer la représentation des graphes et la précision de la classification.

Une nouvelle approche améliore les GNN en s'adaptant à divers ensembles de données sans avoir besoin de les réentraîner.

Présentation de GMMD, un cadre pour améliorer l'équité dans les réseaux de neurones graphiques.

Une nouvelle méthode améliore la reconstruction de l'énergie des photons dans les expériences de particules.

Une nouvelle méthode crée des graphiques grands et détaillés pour diverses applications.

Un nouvel outil accélère la génération de graphiques pour les matériaux cristallins en utilisant la technologie moderne.

Une nouvelle méthode améliore les recommandations multi-critéres en utilisant des réseaux de neurones graphiques.

Le Pooling géométrique améliore la rétention des caractéristiques dans l'analyse des données graphiques.

Un aperçu des techniques pour accélérer les réseaux de neurones graphiques sur des ensembles de données complexes.

MepoGNN combine des modèles pour améliorer les prédictions de la propagation des maladies.

ViG-UNet combine des réseaux de neurones graphiques et U-Net pour améliorer l'analyse d'images médicales.

Une nouvelle méthode améliore le diagnostic du cancer grâce à des images de diapositives complètes et des techniques d'apprentissage avancées.

GIDS optimise l'entraînement de graphes à grande échelle pour plus d'efficacité et de rapidité.

Une nouvelle approche pour améliorer les prédictions de séries temporelles multivariées en utilisant des GNN.