MP3: Preentrenamiento de patrones multi-período para predicción espacio-temporal
Descubre MP3, plugin de preentrenamiento para predicción espacio-temporal. Identifica espejismos temporales y mejora STGNNs. Reduce MAE 4.7% y RMSE 5%.
#gnn
LLMs y Grafos: Hacia Sistemas de IA Sinérgicos y Nativos de Grafos
Descubre cómo los LLMs y los grafos convergen para crear sistemas de IA más potentes, con razonamiento estructurado y agentes inteligentes. ¡Lee más!
LLMs y Grafos: Hacia Sistemas de IA Nativos y Sinérgicos
Descubre cómo la integración de LLMs y grafos crea sistemas de IA sinérgicos, mejorando el razonamiento, la planificación y la gestión de datos. Tutorial completo.
GraphInfer-Bench: Evaluando la capacidad de inferencia de LLMs en grafos
Descubre GraphInfer-Bench, el benchmark que evalúa si los LLMs pueden inferir en grafos. Los resultados muestran que las GNNs los superan. ¿Qué significa para el futuro de la IA?
Más allá del Golden Teacher: Co-enseñanza LLM-GNN
Descubre cómo la co-enseñanza bidireccional entre LLM y GNN supera el enfoque del 'golden teacher' para aprender en grafos con pocos datos. ¡Mejoras de hasta 7.86% en 3-shot!
GraphInfer-Bench: Evaluando la capacidad de inferencia de LLMs en grafos
Descubre GraphInfer-Bench, el benchmark que mide la capacidad de inferencia de LLMs en grafos. ¿Superan a las GNNs? Entra y conoce los resultados.
TAROT: Grafos semánticos adaptativos para aprendizaje tabular con pocos datos
Conoce TAROT: combina LLMs y redes de grafos con refinamiento adaptativo para aprendizaje tabular con pocos datos.
Reglas de diseño de GNN: ¿fallan según el benchmark?
Descubre cómo la composición del benchmark determina si la informatividad predice el mejor agregador en GNN. Resultados clave con Facebook-100.
Redes Neuronales de Grafos para predecir la solubilidad de grupos finitos
¿Pueden las GNN aprender propiedades algebraicas de grupos finitos? Un estudio de prueba de concepto que clasifica grupos solubles y no solubles usando grafos de Cayley. ¡Descúbrelo!
Predicción de tráfico marítimo con redes neuronales de grafos y cabeza Tweedie
Descubre cómo un nuevo enfoque con redes neuronales de grafos y cabeza Tweedie mejora la predicción del tráfico de barcos en puertos, incluso con datos escasos.
CTS-Bench: Compensaciones de coarsening de grafos para GNNs en síntesis de reloj
CTS-Bench: evalúa compensaciones entre coarsening y precisión en GNNs para diseño de árbol de reloj. Ideal para optimizar EDA.
Detección de Anomalías en Ciberseguridad con Redes de Grafos Heterogéneos
Explora el estado del arte de las HGNN para detección de anomalías en ciberseguridad. Taxonomía, benchmarks y desafíos clave.
La trampa de la confianza: ataques de calibración para GNN
Los modelos de GNN calibrados son vulnerables a ataques adversariales. El marco UGCA revela cómo aumentar el error de calibración manteniendo la precisión. ¡Conócelo!
Aprendiendo a ejecutar algoritmos de grafos con GNN
Aprende cómo las GNN ejecutan algoritmos de grafos exactamente con alta probabilidad usando MLP y NTK. Un avance clave en IA.
ADAGE: Defensas Activas Contra la Extracción de GNN
Descubre ADAGE: la primera defensa activa que bloquea la extracción de GNNs. Protege tus modelos sin perder rendimiento.
OpenACMv2: Marco para DCiM aproximada con restricción de precisión
OpenACMv2 reduce el consumo energético hasta un 50% mediante co-optimización de arquitectura y transistores para DCiM aproximada. Descubre cómo.
GNN con conectividad de etiquetas de orden superior en grafos heterófilos
Nuevo clasificador LCC mejora clasificación en grafos heterófilos capturando conectividad de etiquetas de orden superior. Integrable con cualquier GNN.
HDST-GNN: Red neuronal de grafos para seguimiento de objetos en drones
HDST-GNN: red de grafos heterogénea dinámica para seguimiento multiobjeto en drones. Reduce cambios de identidad un 81% en VisDrone.
HDST-GNN: Seguimiento de objetos con redes de grafos heterogéneas
Descubre HDST-GNN, un modelo de red de grafos heterogénea que mejora el seguimiento de objetos en drones, reduciendo cambios de identidad un 81% en VisDrone2019-MOT.
Q-GNN: Redes Neuronales de Grafos Condicionadas por Consulta y Tipo
Descubre cómo Q-GNN integra información de entidad y tipo semántico para mejorar el completado de grafos de conocimiento, superando métodos basados solo en relaciones.