Filtro de compuerta, no el mensaje: Mezclas nodo-canal en GNNs
FilterMoE revoluciona las GNNs de prepropagación al enrutar filtros por nodos y canales, superando a métodos previos en 9 de 11 benchmarks. ¡Mejora precisión y escalabilidad!
#gnn
GJDNet: Redes de grafos robustas con aprendizaje disentangled
GJDNet mejora la robustez de GNNs frente a ataques con representaciones y decisiones disentangled. Aísla perturbaciones y estabiliza fronteras de decisión en grafos diversos.
Escalado eficiente de GNNs con capas IO-aware
Descubre cómo optimizar GNNs con capas conscientes de E/S. Logra hasta 8.5x de aceleración y reduce la memoria hasta 76x. Implementaciones drop-in.
Machine Learning de Grafos en la Era de los LLMs
Los LLMs revolucionan el Machine Learning de Grafos: mejoran características, reducen datos etiquetados y potencian el razonamiento. Descubre cómo.
Condensación eficiente y escalable de grafos con preservación de estructura
Conoce SP-ESGC: método eficiente y escalable para condensar grafos preservando estructura. Mejora generalización y reduce costos computacionales.
Redes Neuronales de Grafos: Discontinuidad entre Resoluciones
Descubre cómo las GNN fallan al cambiar la resolución de un grafo y cómo una modificación arquitectónica resuelve este problema. Aprende las implicaciones para tu proyecto.
Aggregation Buffer: Revisando DropEdge con un nuevo bloque de parámetros
Descubre cómo Aggregation Buffer mejora las GNNs superando las limitaciones de DropEdge, reduciendo sesgos y aumentando la robustez en aprendizaje supervisado.
Transformers simples: predictores de enlaces sorprendentemente potentes
Descubre cómo un Transformer simple (PENCIL) supera a las GNNs en predicción de enlaces, sin estructuras complejas ni embeddings masivos. Eficiente y potente.