Corrección de ruido en etiquetas para GNNs robustas por contradicción de influencia
Descubre ICGNN, un método innovador que usa contradicción de influencia para detectar y corregir ruido en etiquetas de GNNs, mejorando la robustez en grafos.
#gnn
Graph Cascades: reconfiguración mesoscópica para GNNs
Mejora tus GNNs con Graph Cascades: una técnica de reconfiguración mesoscópica basada en difusión por contagio que optimiza la clasificación en grafos homofílicos y heterofílicos.
DegradoMap: Predicción de degradabilidad de proteínas con PROTACs
DegradoMap predice degradabilidad de proteínas con PROTACs usando solo estructura y E3 ligasa. Logra AUROC 0.646 en objetivos no vistos. ¡Prioriza experimentos!
Privacidad Bayesiana de Membresía para Redes Neuronales de Grafos
Descubre cómo la Privacidad Bayesiana de Membresía (BMP) ofrece un análisis fino de la filtración de datos en GNNs, superando las métricas globales.
¿Las explicaciones exponen la lógica de decisión? Robo de modelos GNN
¿Las explicaciones en GNN facilitan el robo de modelos? Conoce EGSteal, un ataque que replica lógica y razonamiento. Implicaciones de seguridad.
Aprendiendo el vecindario: Pretraining multimodal libre de contraste molecular
C-FREE integra 2D y 3D en grafos moleculares con pretraining auto-supervisado sin contraste, superando modelos en MoleculeNet.
Reparación de Grafos Gaussiana con Topología para GNNs Robusta
Mejora la robustez de tus GNNs con TAGR: un método ligero de reparación de grafos que combina kernel Gaussiano y corrección topológica. ¡Optimiza tus modelos!
Condensación de grafos textuales: selección de texto y coincidencia de atributos
Descubre TAGSAM, el método que condensa grafos con texto al 1% sin perder precisión y con un 4.9% más de exactitud. Optimiza tus modelos de IA.
Razonamiento Algorítmico Neuronal Contrastivo para Coloreado de Grafos
Descubre cómo el aprendizaje contrastivo permite a las GNN colorear grafos minimizando conflictos, superando métodos greedy. Resultados en grafos reales.
ReciNet: Modelado de largo alcance en espacio recíproco para predicción de propiedades cristalinas
Descubre ReciNet, un modelo de IA que predice propiedades cristalinas usando el espacio recíproco con precisión superior en benchmarks de materiales.
Dual-Prompt para mitigar sesgos de atributo y estructura en grafos
Descubre cómo ADPrompt adapta GNNs pre-entrenadas con un doble prompting que reduce sesgos de atributo y estructura, mejorando la equidad en clasificación de nodos.
GFFMERGE: Fusión eficiente de campos de fuerza con GNN
Acelera tus simulaciones atomísticas con GFFMERGE, la fusión eficiente de modelos GNN. Logra hasta 27x de velocidad sin reentrenamiento.
Message Tuning supera al Graph Prompt Tuning: perspectiva prismática
Message Tuning supera al Graph Prompt Tuning: la Teoría del Espacio Prismático explica por qué. Descubre el nuevo método MTG.
Introducción a las Redes Neuronales de Grafos para Ingenieros de ML
Introducción a GNNs para ingenieros de ML. Explica el marco encoder-decoder, experimentos en grafos homogéneos y los fenómenos de oversmoothing y oversquashing.
Representaciones de grafos estables con autovectores de Laplaciano
Aprende cómo utilizar autovectores de Laplaciano para lograr representaciones de grafos estables y globalmente expresivas, mejorando el rendimiento de GNNs en benchmarks.
Encadenamiento de GNN 2-FWL para alineamiento de grafos combinatorio
Descubre cómo el encadenamiento de GNNs 2-FWL revoluciona la alineación de grafos, superando métodos clásicos como FAQ en precisión y robustez.
Topología y texto importan: Detección OOD en grafos con texto usando LLMs
Descubre LG-Plug, un marco plug-and-play que alinea topología y texto para detectar nodos fuera de distribución en grafos textuales, reduciendo FPR95 >7%.
RADE: Regularización con adición y eliminación aleatoria de aristas
RADE: aumento estocástico de aristas que reduce sobreajuste y sobre-compresión en GNNs. Sin desalineación entrenamiento-inferencia, mejora el rendimiento.
Firmas de Motivos Temporales para Redes Neuronales de Grafos Temporales
Descubre cómo las firmas de motivos temporales mejoran la predicción en redes neuronales de grafos temporales. Aplicaciones en MOOC, Bitcoin y más.
Abstracción de espacios combinatorios con GNN para optimización no lineal
Descubre cómo un nuevo método de abstracción basado en grafos dirigidos y GNN optimiza la búsqueda en problemas de optimización combinatoria no lineal, mejorando resultados y robustez.