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.
#grafos
Clasificación multi-cáncer con redes Kolmogorov-Arnold interpretables
Descubre MOGKAN, una red profunda interpretable que logra 96.28% de precisión en clasificación de 31 tipos de cáncer usando datos multi-ómicos y redes PPI.
Avances en agrupamiento local en grafos mediante detección compresiva
Descubre cómo los nuevos métodos de agrupamiento local en grafos mediante detección compresiva logran resultados de vanguardia con pocos datos etiquetados.
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.
Aprendizaje de mezclas graphon para mixup y contraste
Un nuevo marco de aprendizaje de mezclas graphon optimiza mixup y contraste en grafos. Logra precisión récord en 6 de 7 datasets. ¡Conoce los detalles!
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%.
Transformer de grafos multitarea para predicción de tránsito
Descubre cómo el Transformer SMT-GraphFormer predice embarques y desembarques en autobuses con precisión superior, superando modelos tabulares tradicionales. Ideal para planificación urbana.
Inferencia cero-shot certificada con geometría latente compartida
Nueva arquitectura de dos vías logra inferencia cero-shot certificada en sistemas eléctricos. Supera al método Newton-Raphson con precisión y velocidad.
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.
Paralelismo con cohesión: partición de tareas para codificación multiagente
Aprende cómo la partición cohesiva de tareas mejora el rendimiento en codificación multiagente: +14% aciertos, 2.1x velocidad, -35% costos.
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.
GLIDE: Inferencia de Salto Guiada por Grafos para Difusión en Procesos Puntuales
GLIDE mejora la predicción de eventos espacio-temporales usando difusión condicional guiada por grafos, reduciendo costos de muestreo inverso. Descubre cómo.
GLIDE: Difusión con salto guiado por grafos en procesos espacio-temporales
Descubre cómo GLIDE revoluciona la predicción de eventos espacio-temporales con difusión guiada por grafos, reduciendo costos y mejorando precisión.
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.
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!
G2LoRA: Adaptación de gradiente ortogonal para aprendizaje continuo en grafos
G2LoRA: marco que combina gradiente ortogonal y aprendizaje continuo para evitar el olvido catastrófico en grafos textuales. ¡Pruébalo!
Aprendizaje de redes con Gromov-Wasserstein semirrelajado
Descubre cómo el algoritmo semi-relajado de Gromov-Wasserstein permite estimar la estructura latente de redes masivas de forma eficiente, con garantías de consistencia y convergencia óptima.
Detector de anomalías discriminativo y generalizable para grafos dinámicos
Descubre un nuevo framework que aprende a detectar anomalías en grafos dinámicos con pocos datos etiquetados, logrando alta precisión y generalización.
Desplazamientos espectrales para detectar anomalías camufladas en grafos
Descubre cómo los desplazamientos espectrales detectan anomalías camufladas en grafos que parecen normales. Una nueva técnica para ciberseguridad.
Abstracción de estados con topología y núcleos de tangles para MDP
Descubre cómo abstracción con núcleos de tangles mejora la toma de decisiones en entornos con interfaces compartidas para optimizar el aprendizaje por refuerzo.